repository.its.ac.idrepository.its.ac.id/48921/1/5112201002-undergraduate... · 2017. 10. 5. · xi...
TRANSCRIPT
TESIS – KI142502
MODIFIKASI METODE MULTISCALE ARCH HEIGHT (M-MARCH) UNTUK TEMU KEMBALI CITRA DAUN BERDASARKAN BENTUK TEPI DAN RUAS TULANG DAUN Mirza Galih Kurniawan 5112201002 DOSEN PEMBIMBING Dr. Nanik Suciati, S.Kom, M.Kom. Dr. Chastine Fatichah, S.Kom, M.Kom. PROGRAM MAGISTER JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2016
iii
TESIS – KI142502
MODIFIED MULTISCALE ARCH HEIGHT (M-MARCH) METHOD FOR LEAVES IMAGE RETRIEVAL BASED ON CONTOUR AND VEIN Mirza Galih Kurniawan 5112201002 SUPERVISOR Dr. Nanik Suciati, S.Kom, M.Kom. Dr. Chastine Fatichah, S.Kom, M.Kom. MASTER PROGRAM DEPARTMENT OF INFORMATICS FACULTY OF INFORMATION TECHNOLOGY INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2016
xi
KATA PENGANTAR
Segala puji bagi Allah SWT sehingga buku tesis ini dapat diselesaikan
dengan baik. Meski dalam menyelesaikan buku ini banyak ditemui kesulitan,
namun berkat bantuan dan bimbingan berbagai pihak, akhirnya Penulis berhasil
menyelesaikan buku ini. Sholawat dan salam semoga selalu tercurahkan kepada
Nabi Muhammad SAW. Pada kesempatan ini Penulis ingin mengucapkan terima
kasih kepada pihak-pihak yang membantu penulis dalam penulisan buku tesis ini
sebagai berikut.
1. Kepada Keluarga Penulis, Ibu, Ayah, Istri serta Kakak dan Adik Penulis yang
telah memberikan doa, pengertian, dukungan, dan pengorbangan yang besar
selama Penulis menyelesaikan studi ini.
2. Kepada Dosen Pembimbing Dr. Nanik Suciati, S.Kom, M.Kom, dan Dr.
Chastine Fatichah, S.Kom, M.Kom, M.Comp.Sc yang dengan sabar
membimbing penulis, sehingga Penulis dapat menyelesaikan tesis ini.
3. Kepada para Dosen Penguji Dr. Agus Zainal Arifin, S.Kom, M.Kom., Anny
Yuniarti, S.Kom,M.Comp.Sc., dan Darlis Herumurti,S.Kom., M.Kom. yang
telah memberikan masukan berharga.
4. Kepada teman seperjuangan dan seangkatan terutama group “MIF ITS 2012
Perjuangan” yang telah menjadi teman diskusi yang baik sekaligus sebagai
tempat untuk mencari motivasi.
5. Kepada teman-teman di Kantor Disperdagin Surabaya dan Kuryotech
Indonesia, atas pengertian dan kerjasamanya.
6. Kepada staf administrasi Program Pascasarjana Teknik Informatika, atas
pengertian dan kebijaksanaannya dalam proses pengurusan administrasi.
7. Kepada teman-teman lain yang tidak bisa Penulis sebutkan satu-persatu,
terima kasih atas segala bantuan, baik berupa ide, gagasan, pemikiran, atau
bahkan sekedar kesediaan mendengarkan keluh kesah Penulis.
xii
Akhirnya, Penulis berharap, buku laporan tesis ini dapat memberikan
kontribusi ilmiah bagi khasanah pengembangan riset di bidang Komputasi Cerdas
dan Visual.
Surabaya, Rabi Al-Awwal 1437 H
Januari 2016 M
Mirza Galih Kurniawan
vii
Modifikasi Metode Multiscale Arch Height (M-MARCH) Untuk Temu
Kembali Citra Daun Berdasarlam Bentuk Tepi dan Ruas Tulang Daun
Nama Mahasiswa
NRP
Pembimbing
:
:
:
Mirza Galih Kurniawan
5112201002
Dr. Nanik Suciati, S.Kom, M.Kom.
Dr. Chastine Fatichah, S.Kom, M.Kom.
ABSTRAK
Sistem temu kembali citra daun memiliki peran penting dalam lingkup
botani. Saat ini kurang lebih terdapat 400.000 spesies tumbuhan yang telah
dikenali di mana 270.000 diantaranya sudah diidentifikasi dan diberi nama.
Dengan besarnya jumlah spesies yang ada maka pengenalan spesies tumbuhan
secara manual akan sulit dilakukan. Sistem temu kembali citra digital dapat
membantu proses pengenalan spesies tumbuhan dengan mengukur kedekatan
antara citra kueri dengan citra yang berada pada database. Smartphone merupakan
alat komputasi yang ideal untuk penerapan sistem temu kembali citra daun
mengingat habitat tumbuhan terdapat pada alam bebas.
Salah satu metode yang unggul diterapkan pada smartphone adalah metode
Multiscale Arch Height (MARCH), metode ini membutuhkan komputasi yang
rendah dan invariant terhadap penskalaan, translasi dan rotasi. MARCH
mengekstraksi bentuk daun menjadi vektor fitur yang merupakan kumpulan tinggi
lengkungan pada tiap titik pada kontur. Metode MARCH tidak merepresentasikan
karakteristik region/intrisik dalam daun, padahal ada beberapa spesies tumbuhan
yang mempunyai pola kontur yang hampir sama.
Pada penelitian ini dikembangkan metode ekstraksi fitur tepi dan ruas tulang
daun yang lebih efektif dengan melakukan modifikasi terhadap metode MARCH.
Vektor fitur didapatkan dari tinggi lengkungan suatu titik pada kontur daun, di
mana titik tersebut merupakan titik convex hull dari kontur daun serta titik convex
hull dari kontur tulang daun. Metode Modifikasi MARCH menghasilkan akurasi
yang lebih tinggi dibandingkan metode MARCH karena karakteristik
region/intrisik dalam daun juga terakomodasi dengan digunakannya fitur ruas
tulang daun.
Pengujian metode yang diusulkan dilakukan dengan membandingkan nilai
Mean Average Precession (MAP) dan waktu komputasi antara MARCH dengan
metode yang diusulkan. Dataset yang digunakan adalah Flavia leaf dataset. Dari
penelitian yang sudah dilakukan didapatkan nilai rata – rata MAP untuk metode
Modified MARCH lebih tinggi dibanding metode MARCH sebesar 0.74% : 0.70%.
sedangkan perbandingan waktu komputasi Modified MARCH sedikit lebih lama
dibanding metode MARCH yaitu 1060 ms dibanding 864 ms dengan selisih 196
ms.
Kata Kunci: CBIR, Klasifikasi Tumbuhan, MARCH, Modified MARCH
ix
Modified Multiscale Arch Height (M-MARCH) Method for Leaves Image
Retrieval System Based on Contour and Vein
Student Name
Student Identity Number Supervisor
:
:
:
Mirza Galih Kurniawan
5112201002
Dr. Nanik Suciati, S.Kom, M.Kom.
Dr. Chastine Fatichah, S.Kom, M.Kom.
ABSTRACT
leaves Image retrieval has an important role in the sphere of botany. there
are approximately 400,000 plant species where 270,000 are already identified.
With the large amount of existing species, manual identification would be difficult
to do. Digital image retrieval system can assist the identification by measuring the
similarities between query image and the image that is on database. Smartphone is
a ideal computational tool for leaves image retrieval system, considering the
plants habitat is in the wild.
One of the preeminent method applied to the smartphone is MARCH, this
method requires a low computation, scale, translation and rotation invariant.
MARCH extract shape leaves into a feature vector that consist collection of high
curvature at each point of the countur of the leaf. MARCH does not represent
region characteristics of the leaves while there are several species of plants have
almost the same contour patterns.
This research develop a more effective method to extract leaves contour
and vein from modification of MARCH methode.The modification is on
positioning stages of the arch will be extracted and the addition MARCH
application in bone leaves. The feature vector obtained from the high curvature of
a point on the contour of the leaves, where a point is a point of the convex hull of
the contour of the leaves as well as the convex hull of the point of the bone
contour leaves. MARCH modification method is expected to produce a higher
accuracy than the method because of the characteristics of the region MARCH /
intrinsic in the leaves also accommodated with use features vertebrae leaves.
The evaluation is done by comparing the Mean Average value of
Precession (MAP) and the computing time between MARCH with the proposed
method. This research using Flavia leaf as Datasets. from the evaluation, obtained
MAP value for Modified MARCH method is higher than MARCH which
comparison is 0.74%: 0.70%. Whereas the Modified MARCH computing time is
slightly longer than MARCH (1060 ms compared to 864 ms) with 196 ms
difference.
Keywords : CBIR, Plant Identification, MARCH, Modified MARCH.
xiii
DAFTAR ISI
ABSTRAK ............................................................................................................ vii
ABSTRACT ........................................................................................................... ix
DAFTAR ISI ........................................................................................................ xiii
DAFTAR GAMBAR .......................................................................................... xvii
DAFTAR TABEL ................................................................................................ xix
BAB 1 PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang ...................................................................................... 1
1.2 Perumusan Masalah .............................................................................. 3
1.3 Batasan Masalah.................................................................................... 4
1.4 Tujuan Penelitian .................................................................................. 4
1.5 Manfaat Penelitian ................................................................................ 4
1.6 Kontribusi Penelitian ............................................................................. 4
BAB 2 KAJIAN PUSTAKA .................................................................................... 5
2.1 Content Based Image Retrieval ............................................................. 5
2.2 Klasifikasi Tumbuhan ........................................................................... 5
2.3 Karakteristik Daun ................................................................................ 7
2.4 Smartphone ........................................................................................... 8
2.5 Ekstraksi Fitur Pada Citra Digital ......................................................... 9
2.6 Convex hull pada Kumpulan Koordinat ................................................ 9
2.7 Ekstraksi Kerangka Tulang Daun dengan metode Morphology ......... 10
2.8 Ekstraksi Kontur Menggunakan Metode Canny ................................. 10
2.9 Discrete Fourier Transform ................................................................ 11
2.10 Multi Scale Arch height ..................................................................... 12
2.10.1 Ekstraksi Kontur ............................................................................ 13
2.10.2 Arch Height .................................................................................... 13
2.10.3 K-Scale Arch Height ..................................................................... 14
2.10.4 Vektor Fitur pada MARCH............................................................ 14
2.10.5 Eccentricity, Solidity dan Rectangularity ...................................... 15
2.10.6 Pengukuran jarak vektor fitur pada MARCH ................................ 15
xiv
BAB 3 METODE PENELITIAN .......................................................................... 17
3.1 Studi Literatur dan Analisa Awal ........................................................ 17
3.2 Modified MARCH ................................................................................ 18
3.3 Desain Sistem ...................................................................................... 19
3.3.1 Input Sistem ...................................................................................... 20
3.3.2 Konversi Gray Scale ......................................................................... 21
3.3.3 Ekstraksi Kontur Daun ..................................................................... 21
3.3.3.1 Blurring (Pengaburan Citra) .......................................................... 22
3.3.3.2 Binary Thresholding ...................................................................... 22
3.3.3.3 Ekstraksi Kontur dengan Metode Canny ....................................... 23
3.3.4 Convex hull Kontur Daun ................................................................. 24
3.3.5 Ekstraksi Tulang daun ...................................................................... 25
3.3.5.1 Proses Blur ..................................................................................... 26
3.3.5.2 Zheng Method ................................................................................ 26
3.3.5.3 Penghilangan Kontur ..................................................................... 26
3.3.6 Convex hull Ruas Tulang Daun ....................................................... 26
3.3.7 Ekstraksi Vektor Fitur dengan MARCH Descriptor ......................... 26
3.3.8 Pengukuran Similaritas Vektor Fitur ................................................ 27
3.4 Implementasi Sistem ........................................................................... 27
3.5 Pengujian dan Analisa hasil ................................................................. 28
BAB 4 IMPLEMENTASI METODE ................................................................... 31
4.1 Implementasi ....................................................................................... 31
4.1.1 Load File Path Dataset Ke Database ................................................ 31
4.1.2 Ekstraksi Fitur .................................................................................. 33
4.1.3 Load Citra Masukan ......................................................................... 34
4.1.4 Ekstraksi Kontur Daun ..................................................................... 35
4.1.4.1 Konversi Grayscale dan proses Blur ............................................ 35
4.1.4.2 Binary Threshold ........................................................................... 36
4.1.4.3 Ekstraksi Kontur Daun dengan Metode Canny ............................. 37
4.1.5 Convex hull pada Kontur Daun ....................................................... 38
4.1.6 Ekstraksi Kerangka Tulang Daun Menggunakan Morfologi .......... 39
4.1.7 Convex hull pada Ruas Tulang Daun ............................................... 40
xv
4.1.8 Operasi MARCH............................................................................... 42
4.1.9 Implementasi Webservice pada Webserver .................................... 45
4.1.10 Implementasi pada Smartphone .................................................... 47
BAB 5 HASIL PENELITIAN DAN PEMBAHASAN ......................................... 51
5.1 Lingkungan Uji Coba .......................................................................... 51
5.2 Karakteristik Data dan Skenario Uji Coba .......................................... 51
5.2.1 Hasil Uji Coba Skenario I ................................................................ 52
5.2.2 Hasil Uji Coba Skenario II ............................................................... 56
5.3 Analisa Hasil ...................................................................................... 59
BAB 6 KESIMPULAN DAN SARAN ................................................................. 61
6.1 Kesimpulan ......................................................................................... 61
6.2 Saran .................................................................................................... 61
DAFTAR PUSTAKA ............................................................................................ 63
BIODATA PENULIS ............................................................................................ 65
LAMPIRAN ........................................................................................................... 67
xvi
[Halaman ini sengaja dikosongkan]
xvii
DAFTAR GAMBAR
Gambar 2.1 Diagram CBIR..................................................................................... 5
Gambar 2.2 Perbedaan Garis Besar Daun Dikotil dan Monokotil .......................... 8
Gambar 2.3 Ilustrasi Metode MARCH .................................................................. 13
Gambar 3.1 Tahapan Penelitian ............................................................................ 17
Gambar 3.2 Ilustrasi Metode MARCH .................................................................. 18
Gambar 3.3 Ilustrasi Metode Modified MARCH................................................... 19
Gambar 3.4 Alur Proses Modifed MARCH ........................................................... 20
Gambar 3.5 Alur Proses Ekstraksi Kontur Daun .................................................. 21
Gambar 3.6 Alur Proses Metode Canny ................................................................ 23
Gambar 3.7 Alur Ekstraksi Kerangka Tulang Daun ............................................. 25
Gambar 3.8 Diagram Desain Implementasi Sistem .............................................. 28
Gambar 4.1 Metode untuk Menyimpan Path Dataset Ke Database ..................... 32
Gambar 4.2 Metode proses ekstraksi fitur dari dataset ......................................... 34
Gambar 4.3 Metode Load Citra Input ................................................................... 34
Gambar 4.4 Hasil Load Salah Satu Citra Input dari dataset ................................. 34
Gambar 4.5 Metode untuk pengaburan citra dan konversi ke grayscale .............. 35
Gambar 4.6 Hasil proses blur dan konversi ke grayscale ..................................... 36
Gambar 4.7 Metode Binary Threshold.................................................................. 36
Gambar 4.8 Hasil proses Binary Thresholding ..................................................... 36
Gambar 4.9 Metode Ekstraksi Kontur dengan Canny .......................................... 37
Gambar 4.10 Hasil Proses Ekstraksi Kontur dengan Canny ................................. 38
Gambar 4.11 Metode convex hull pada kontur daun............................................. 38
Gambar 4.12 Metode Ekstraksi Kerangka Tulang ................................................ 39
Gambar 4.13 Hasil Ekstraksi Kerangka Tulang .................................................... 40
Gambar 4.14 Metode Convex hull pada Ruas Tulang Daun ................................. 41
Gambar 4.15 Hasil Metode Convex hull pada Ruas Tulang Daun ....................... 42
Gambar 4.16 Metode Hitung Nilai K .................................................................... 42
Gambar 4.17 Metode Hitung Nilai Arch height .................................................... 43
Gambar 4.18 Metode Hitung Nilai Beta ............................................................... 43
Gambar 4.19 Metode Hitung Nilai Alfa ............................................................... 44
xviii
Gambar 4.20 Metode DFT ................................................................................... 45
Gambar 4.21 Metode Hitung Similaritas .............................................................. 45
Gambar 4.22 Implementasi Webservice pada Webserver .................................... 46
Gambar 4.23 Implementasi pada Aplikasi Desktop Server ................................... 47
Gambar 4.24 Kode Implementasi pada Smartphone ............................................. 49
Gambar 4.25 Implementasi pada Smartphone ....................................................... 49
Gambar 5.1 Grafik Hasil Uji Coba Skenario I (10 Peringkat Hasil) ..................... 55
Gambar 5.2 Grafik Hasil Uji Coba Skenario I (15 Peringkat Hasil) ..................... 55
Gambar 5.3 Grafik Hasil Uji Coba Skenario I (20 Peringkat Hasil) ..................... 56
Gambar 5.4 Grafik Hasil Uji Coba Skenario II ..................................................... 58
Gambar 5.5 Citra Indigofera tinctoria L. - Japanese maple……………………..59
Gambar 5.6 Citra Daun Cinnamomum japonicum Sieb………………………… …60
xix
DAFTAR TABEL
Tabel 2.1 Ciri Pembeda Tumbuhan Dikotil dan Monokotil ................................... 7
Tabel 5.1 Hasil Uji Coba Skenario I ..................................................................... 52
Tabel 5.2 Hasil Uji Coba Skenario I Cara II ......................................................... 56
Tabel 5.3 Hasil Uji Coba Waktu Komputasi Pada Smartphone ........................... 57
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Sistem temu kembali citra memiliki peran penting dalam lingkup botani.
Kurang lebih terdapat 400.000 spesies tumbuhan yang telah dikenali di mana
270.000 di antaranya sudah diidentifikasi dan diberi nama (Wang, 2008). Dengan
besarnya jumlah spesies yang ada maka pengenalan spesies tumbuhan secara
manual akan sulit dilakukan. Sistem temu kembali citra dapat membantu proses
pengenalan spesies tumbuhan dengan memberikan informasi terkait spesies
tumbuhan yang relevan dan telah dikenali sebelumnya dalam database
berdasarkan citra kueri dari spesies yang dicari.
Dasar pengenalan spesies tumbuhan adalah kesamaan ciri biometrik yang
dapat dibandingkan antara satu spesies tumbuhan dengan spesies tumbuhan
lainnya. Dalam ilmu taksonomi, klasifikasi tumbuhan umumnya dilakukan
berdasarkan daun dan bunga. Proses pengenalan tumbuhan secara otomatis
banyak menggunakan daun sebagai ciri biometrik yang dipakai. Hal ini
dikarenakan daun cenderung memiliki bentuk 2 dimensi yang akan lebih mudah
diolah dan akan memerlukan komputasi relatif lebih rendah dibanding untuk
pengolahan objek tiga dimensi (Wang, 2015).
Untuk penerapan sistem temu kembali citra daun, diperlukan suatu alat
komputasi yang tepat. Alat komputasi tersebut harus memiliki sifat portabilitas
yang tinggi, mengingat habitat tumbuhan yang berada di alam bebas. Salah satu
alat komputasi yang saat ini hampir dimiliki oleh setiap orang dan selalu dibawa
oleh penggunanya adalah smartphone. Hampir semua smartphone sudah
dilengkapi dengan kamera sehingga smartphone dapat dijadikan alat komputasi
yang efektif untuk pengenalan tumbuhan. Hal ini memungkinkan setiap orang
dapat mengenali jenis tumbuhan melalui citra daun yang diambil dari kamera
pada smartphone.
2
Berbeda dengan komputer pada umumnya, smartphone memiliki sumber
daya yang terbatas. Oleh karena itu, tidak setiap metode identifikasi tumbuhan
yang unggul diterapkan pada komputer dapat berjalan dengan baik pula jika
diterapkan pada smartphone. Metode yang diterapkan untuk identifikasi tumbuhan
pada smartphone harus memperhatikan batasan sumber daya yang ada antara lain
jumlah RAM, kemampuan komputasi dan daya. Untuk itu diperlukan metode
yang efesien dan efektif.
Metode pengenalan spesies tumbuhan di mana digunakan citra daun sebagai
representasi objek identifkasi, digolongkan menjadi dua kategori yaitu boundary-
based dan region-based. Boundary-based mendeskripsikan bagian menggunakan
karakteristik eksternal, sedangkan region-based merepresentasikan bagian
menggunakan karakteristik internal.
Beberapa metode pengenalan spesies tumbuhan berdasarkan bentuk daun
telah dikembangkan, diantaranya adalah penelitian yang dilakukan oleh
(Abbasi,1997), (Du, 2007), (Lee, 2003), (Wang, 2012). Meskipun sudah banyak
penelitian yang dilakukan, namun masih sedikit metode untuk penerapan pada
smartphone. Penelitian sebelumnya dilakukan oleh (Wang, 2015) menggunakan
metode Multi Scale Arch Height Descriptor (MARCH) di mana fitur bentuk daun
direpresentasikan dengan tinggi lengkungan pada tiap titik pada kontur daun.
Metode ini cukup baik diimplementasikan pada smartphone karena hanya
menghasilkan vektor fitur yang sedikit (kurang dari 150 fitur) dan execution time
rendah.
Walaupun metode MARCH cukup baik diimplementasikan pada smartphone,
namun metode MARCH memiliki kekurangan yaitu vektor fitur yang dibentuk
hanya didasarkan pada karakteristik tepi (kontur). Karakteristik tepi diwakili oleh
tinggi lengkungan yang dihitung dari tiap titik pada kontur. Karena hanya
didasarkan pada karakterisitik kontur, metode MARCH tidak merepresentasikan
karakteristik region/intrisik dalam daun padahal ada beberapa spesies tumbuhan
yang mempunyai pola kontur yang hampir sama. Contoh, Nuphar Japonicum
dan Nuphar Pumilum adalah anggota dari family Nymphaeaceae. Jadi metode
temu kembali citra daun harus juga memperhatikan fitur intrisik dari daun untuk
mendapatkan tingkat akurasi yang lebih tinggi.
3
Salah satu fitur intrisik yang dimiliki oleh daun adalah struktur tulang daun
(pola venasi) yang merupakan fitur unik lain yang membedakan jenis
tumbuhan. Sistem klasifikasi berbasis tulang daun diperkenalkan oleh (Park,
2006) menggunakan gambar dari buku "Flora Illustrated Korea (Fu dan Chi,
2003)” mengusulkan pendekatan dalam dua tahap (segmentasi awal
berdasarkan histogram intensitas gambar daun dan menggunakan classifier
jaringan saraf tiruan) untuk mengekstrak pola venasi dua puluh satu gambar
daun yang berbeda dan memperoleh hasil yang lebih baik daripada
penggunaan detektor tepi konvensional (Arifin, 2009).
Pada penelitian ini dilakukan modifikasi metode MARCH (Modified MARCH)
yang diharapkan dapat diperoleh metode ekstraksi fitur tepi dan ruas tulang daun
yang lebih efektif dan efisien untuk temu kembali citra daun berbasis smartphone.
Modifikasi metode MARCH terletak pada tahapan penentuan posisi lengkungan
yang akan diekstraksi. Vektor fitur didapatkan dari tinggi lengkungan suatu titik
pada kontur daun, di mana titik tersebut merupakan titik convex hull dari kontur
daun serta titik convex hull dari kontur tulang daun. Metode Modifikasi MARCH
diharapkan menghasilkan akurasi yang lebih tinggi dibandingkan metode MARCH
karena karakteristik region/intrisik dalam daun juga terakomodasi dengan
digunakannya fitur ruas tulang daun.
Dengan penerapan Metode yang dikembangkan pada penelitian kali ini
(Modified MARCH) diharapkan dapat dikembangkan metode ekstraksi fitur tepi
dan ruas tulang daun yang lebih efektif dan efisien dengan melakukan modifikasi
terhadap metode MARCH untuk temu kembali citra daun berbasis smartphone.
1.2 Perumusan Masalah
Rumusan masalah dalam penelitian ini dapat dijabarkan menjadi beberapa
poin berikut :
1 Bagaimana mengembangkan metode ekstraksi fitur tepi dan ruas tulang daun
yang lebih efektif dan efisien dengan melakukan modifikasi terhadap metode
MARCH untuk temu kembali citra daun berbasis smartphone?
2 Bagaimana menerapkan metode modifikasi metode MARCH agar dapat
berjalan dengan baik pada smartphone?
4
3 Bagaimana menguji kinerja dari modifikasi metode MARCH?
1.3 Batasan Masalah
Mengingat bahwa temu kembali citra daun merupakan suatu hal yang cukup
kompleks maka penelitian yang dilakukan dibatasi pada beberapa poin berikut:
1. Citra query merupakan citra daun tunggal.
2. Citra query merupakan citra daun dengan background putih dan pencahayaan
yang baik.
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah mengembangkan metode ekstraksi fitur tepi dan
ruas tulang daun yang lebih efektif dan efisien dengan melakukan modifikasi
terhadap metode MARCH untuk temu kembali citra daun berbasis smartphone.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini antara lain:
1. Didapatkannya metode ekstraksi fitur tepi dan ruas tulang daun yang lebih
efektif dan efisien untuk temu kembali citra daun berbasis smartphone.
2. Pengembangan aplikasi yang didasarkan pada modifikasi metode MARCH
untuk temu kembali citra daun berbasis smartphone.
1.6 Kontribusi Penelitian
Kontribusi yang diharapkan dari penelitian ini adalah metode ekstraksi fitur
tepi dan ruas tulang daun yang didasarkan pada pengembangan metode MARCH
(Modified MARCH) dalam hal:
1. Proses perhitungan fitur Arch Height yang lebih sedikit daripada metode
MARCH, karena didasarkan titik convex hull pada kontur daun dan tulang
daun sehingga diharapkan tidak menambah waktu komputasi meskipun
ada penambahan fitur ruas tulang daun.
2. Penambahan operasi MARCH pada convex hull ruas tulang daun yang
diharapkan didapatkan metode yang memiliki akurasi yang lebih tinggi
dibanding dengan metode MARCH.
5
BAB 2
KAJIAN PUSTAKA
Pada bagian ini akan dipaparkan konsep dasar tentang teori-teori yang
dipakai sebagai pegangan dalam melakukan penelitian ini.
2.1 Content Based Image Retrieval
Content Based Image Retrieval (CBIR) merupakan metode pencarian suatu
citra dengan membandingkan citra query dengan citra yang ada di dalam database.
Tantangan dalam CBIR ini adalah bagaimana untuk menemukan fitur-fitur
penting yang merupakan karakteristik dari sebuah citra yang membuatnya unik
dan bisa diidentifikasi secara akurat. Sistem CBIR secara umum dibangun dengan
melihat karakteristik/ciri suatu citra. Ciri merupakan suatu tanda yang khas, yang
membedakan antara satu citra dengan citra yang lain (Jamaluddin, 2011). Diagram
CBIR pada umumnya seperti yang terdapat pada Gambar 2.1
1Gambar 2.1 Diagram CBIR
2.2 Klasifikasi Tumbuhan
Berdasarkan klasifikasi lima kingdom maka kingdom Plantae (tumbuhan )
dibagi ke dalam beberapa filum yakni Lumut (Bryophita), Paku-pakuan
(Pteridhophyta), serta tumbuhan berbiji (Spermatophyta).
Penjelasan masing masing Filum adalah sebagai berikut:
Pengguna
Output
Citra Query Deskriptor Vektor Fitur
Dataset Citra Deskriptor Vektor Fitur
Perbandingan Similaritas
Perangkingan
Hasil Query
6
a. Tumbuhan Lumut (Bryophyta)
Bryophyta adalah kelompok tumbuhan yang sederhana yang hidup di tempat-
tempat basah atau lembab di darat. Tumbuhan ini banyak dijumpai di tebing-
tebing tanah, batuan, di hutan, di tepisungai dan di cabang pepohonan sebagai
epifit. Tumbuhan lumut mempunyai bagian-bagian tubuh yang menyerupai akar,
batang dan daun,tetapi bagian-bagian tersebut bukanlah akar, batang dan daun
sejati. Bagian yang menyerupai akar disebut rhizoid, yang berupa selapis sel
berbentuk halus dan tumbuh ke arah bawah dari pangkal batangnya. Rhizoid
berfungsi untuk melekatkan diri di tempat hidupnya dan untuk menyerap air dan
mineral dari dalam tanah.
b. Tumbuhan Paku (Pteridophyta)
Tumbuhan paku umumnya sudah berupa tumbuhan kormus, artinya sudah
mempunyai akar, batang dan daun sejati. Daun paku yang muda memiliki ciri
khas menggulung pada bagian ujungnya.
c. Tumbuhan Biji (Spermatopyta)
Ciri khas tumbuhan biji mempunyai akar, batang dan daun sejati. Akar
umumnya berada dalam tanah yang brfungsi untuk mengokohkan berdirinya
batang serta berfungsi untuk menyerap air dan mineral dari dalam tanah.
Berdasarkan keadaan dan letak bakal biji, tumbuhan biji dikelompokkan
menjadi dua kelompok, yaitu:
1. Tumbuhan biji terbuka (Gymnospermae), yaitu kelompok tumbuhan
biji di mana bakal biji tidak berada dalam bakal buah, melainkan melekat
pada daun buah dan bisa terlihat langsung. Tumbuhan biji terbuka terdiri
dari tiga suku, yaitu:
a. Cycadaceae, contohnya pakis haji (Cycas rumphii)
b. Gnetaceae, contohnya alah melinjo (Gnetum gnemon)
c. Coniferae, contohnya pinus (Pinus merkusii), damar puith
(Agathisalba), cemara (Cupressus macrocarpa) dsb.
Di antara ketiga suku tetidak dilindungi oleh daun buah, sehingga
disebut biji terbuka.
2. Tumbuhan biji tertutup (Angiospermae), bakal biji dilindungi oleh
daun buah (karpel). Berdasarkan jumlah keping biji. Ada
7
tumbuhan yang memilki satu keeping biji dikelompokkan
sebagai tumbuhan monokotil, dan ada yang memilki dua
keeping biji yang dikelompokkan menajdi tumbuhan dikotil
(tumbhuhan belah). Ciri-ciri lain untuk dapat membedakan
tumbuhan monokotil dan dikotil diantarnya dapat dilihat dari
bagian-bagian tubuh tumbuhan tersebut, seperti bagian akar, batang,
daun dan bunga seperti pada Tabel 2.1.
11Tabel 2.1 Ciri Pembeda Tumbuhan Dikotil dan Monokotil
Ciri Pembeda Tumbuhan Monokotil Tumbuhan Dikotil
Akar Tersusun atas akar
serabut
Berupa akar tunggang
Batang Tidak berkambium Berkambium dan
bercabang - cabang
Daun Daun berbentuk pita dan
panjang, bertulang daun
sejajar atau melengkung
Daun lebar – lebar,
dengan bentuk beraneka
ragam, bertulang daun
menyirip atau menjari
Bunga Umumnya bagian-bagian
bunga berjumlah 3 atau
kelipatannya
Umumnya bagian bunga
berjumlah 2,4 dan 5 atau
kelipatannya
Berkas Pengangkut
pada batang
Pembuluh kayu dan
pembuluh tapis letaknya
tersebar pada batang
Pembuluh kayu dan
pembuluh tapis letaknya
teratur. Pembuluh kayu
sebelah dalam dari
pembuluh tapis
2.3 Karakteristik Daun
Dalam ilmu botani, daun biasanya berupa bentuk pipih hijau yang keluar dari
batang pada tumbuhan berpembuluh. Daun memproduksi sumber makanan bagi
tumbuhan, yang dengan itu juga lah secara tidak langsung spesies pemakan
tumbuhan juga dapat hidup. Daun memiliki ukuran, bentuk dan karakteristik yang
8
berbeda termasuk kelengkungan, Struktur tulang daun (pola venasi) yang
mendukung transportasi dari dan ke daun. Pola venasi merupakan karakteristik
berbagai jenis tanaman: misalnya tumbuhan dikotil memiliki pola venasi yang
seperti jaringan dan biasanya tidak memiliki ujung venasi yang jelas. Sedangkan
monokotil melmiliki ruas daun yang sejajar dan hampir semuanya memiliki ujung
venasi yang jelas (Britanica, 2015)
2Gambar 2.2 Perbedaan Garis Besar Daun Dikotil dan Monokotil
Daun yang dimiliki oleh tumbuhan merupakan salah satu biometrik dari
tumbuhan. Hal ini disebabkan karena daun pada tiap jenis tumbuhan
memiliki bentuk dan ruas daun yang berbeda yang dapat digunakan sebagai
fitur yang didapatkan melalui serangkaian proses pengolahan citra untuk
dilakukan klasifikasi citra daun (Wahyumianto, 2013).
2.4 Smartphone
Smartphone (telepon pintar) adalah telepon genggam yang mempunyai
kemampuan tingkat tinggi dengan fungsi yang menyerupai komputer. Smartphone
pertama kali merupakan kombinasi dari fungsi suatu personal digital assistant
(PDA) dengan telepon genggam ataupun telepon dengan kamera. Seiring dengan
perkembangannya, kini smartphone juga mempunyai fungsi sebagai media player
portable, digital compact camera, pocket video camera dan GPS. Smartphone
modern juga dilengkapi dengan layar touchscreen resolusi tinggi, browser yang
mampu menampilkan full web seperti pada PC, serta akses data WiFi dan internet
broadband (Nosrati, 2012). Keterbatasan utama pada smartphone atau peralatan
mobile computing lain tertutama pada power consumption sehingga komponen
perangkat yang terdapat pada smartphone didesain untuk dapat menggunakan
sumber daya yang terbatas. Batasan ini berimbas pada pengurangan kapasitas
9
komputasi yang dapat dilakukan seperti halnya batasan clock processor yang
digunakan, komputasi grafis yang terbatas serta batasan jumlah RAM yang
digunakan.
2.5 Ekstraksi Fitur Pada Citra Digital
Feature Extraction atau ekstraksi fitur merupakan suatu pengambilan ciri /
feature dari suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis
untuk proses selanjutnya. Proses pengambilan ciri tersebut dilakukan dengan
metode descriptor tertentu. Fitur merupakan karakteristik unik dari suatu objek.
Fitur dibedakan menjadi dua yaitu fitur “alami” merupakan bagian dari gambar,
misalnya kecerahan dan tepi objek. Sedangkan fitur “buatan” merupakan fitur
yang diperoleh dengan operasi tertentu pada gambar, misalnya histogram tingkat
keabuan (Gualtieri, 1985). Sehingga ekstraksi fitur adalah proses untuk
mendapatkan ciri-ciri pembeda yang membedakan suatu objek dari objek yang
lain.
2.6 Convex hull pada Kumpulan Koordinat
Convex hull digambarkan secara sederhana dalam sebuah bidang sebagai
pencarian subset dari himpunan titik pada bidang tersebut, sehingga jika titik-titik
tersebut dijadikan poligon maka akan membentuk poligon yang konveks. Suatu
poligon dikatakan konveks jika garis yang menghubungkan antar kedua titik
dalam poligon tersebut tidak memotong garis batas dari polygon. Pencarian
convex hull dari sebuah himpunan titik Q (CH(Q)) adalah mencari sebuah convex
set terkecil yang memuat seluruh titik pada Q. Convex hull dari dari sebuah
himpunan titik Q (CH(Q)) pada n dimensi adalah seluruh irisan dari semua convex
set yang mengandung Q. Terlebih lanjut, untuk N buah titik p1, p2,... pN. Convex
hull merupakan himpunan convex combination yang dinyatakan dengan
persamaan 2.1
∑
∑
(2.1)
Metode convex hull yang digunakan pada penelitian ini adalah metode yang
diperkenalkan oleh (Skalansky, 1982).
10
2.7 Ekstraksi Kerangka Tulang Daun dengan metode Morphology
Ekstraksi kerangka tulang daun pada penelitian ini menggunakan metode yang
dikenalkan oleh (Zheng, 2010). Ekstraksi kerangka tulang daun pada metode ini
dilakukan pada citra grayscale. Kerangka tulang daun didapatkan dengan
mengurangkan hasil morphologi top hat dengan hasil morphologi bottom hat.
Top-hat transform merupakan hasil subtraksi gambar input dengan gambar yang
telah mengalami operasi opening. Operasi ini menekan background gelap dan
menyoroti foreground sehingga kontras gambar foreground meningkat (Amin,
2015). Top-hat transform dapat dituliskan seperti pada persamaan 2.2
(2.2)
Sedangkan Bottom-hat atau Top-Hat by Closing didefinisikan sebagai
perbedaan antara hasil closing citra input dengan citra input itu sendiri.
Persamaan dari Bottom-Hat transform terdapat pada persamaan 2.3
(2.3)
Metode yang diperkenalkan oleh Zheng menggunakan operasi bottom hat dan
top hat untuk mendapatkan kerangka tulang daun dengan cara mengurangkan
(substraksi) hasil bottom hat dengan hasil top hat dari citra input. Persamaan dari
metode yang diperkenalkan oleh Zheng terdapat pada persamaan 2.4
(2.4)
Di mana src merupakan grayscale citra input dan output G juga merupakan citra
grayscale hasil ekstraksi.
2.8 Ekstraksi Kontur Menggunakan Metode Canny
Kontur adalah garis batas dari bentuk geometris dalam gambar digital (Pedro,
2009). Karena identifikasi kontur sangat penting untuk menganalisis isi gambar,
ekstraksi kontur menjadi salah satu bagian penting dalam masalah computer vision
11
dan pengenalan pola. Pada penelitian ini digunakan metode Canny untuk proses
Ekstraksi Kontur.
Deteksi tepi Canny mampu mendeteksi tepian dengan tingkat kesalahan
minimum (Putra, 2010). Berbeda dengan operator lainnya, deteksi tepi Canny
menggunakan Gaussian Derivative Kernel untuk memperhalus tampilan sebuah
citra. Keunggulan Canny di banding dengan deteksi tepi lainnya (Yodha, 2014) :
a. Good detection, memaksimalkan signal to noise ration (SNR) agar semua
tepi dapat terdeteksi dengan baik.
b. Good location, untuk meminimalkan jarak deteksi tepi yang sebenarnya
dengan tepi yang dihasilkan melalui pemrosesan, sehingga lokasi tepi
terdeteksi menyerupai tepi secara nyata. Semakin besar nilai Loc, makan
semakin besar kualitas deteksi yang dimiliki.
c. One respon to single edge, untuk menghasilkan tepi tunggal / tidak
memberikan tepi yang bukan tepi sebenarnya
2.9 Discrete Fourier Transform
Transformasi Fourier merupakan suatu proses yang banyak digunakan untuk
memindahkan domain dari suatu fungsi atau obyek ke dalam domain frekuensi. Di
dalam pengolahan citra digital, transformasi fourier digunakan untuk mengubah
domain spasial pada citra menjadi domain frekuensi. Analisa-analisa dalam
domain frekuensi banyak digunakan seperti filtering. Dengan menggunakan
transformasi fourier, sinyal atau citra dapat dilihat sebagai suatu obyek dalam
domain frekuensi.
Menurut Buku (Lyons, 2010), Discrete Fourier Transform (DFT) adalah
prosedur powerful yang digunakan dalam pemrosesan sinyal digital dan filterisasi
digital. DFT menungkinkan kita untuk menganalisa, memanipulasi dan
mensintesis sinyal yang tidak mungkin dapat dilakukan dalam pemrosesan sinyal
analog. Sedangkan menurut (Elliot, 1988) DFT merupakan gambaran karakteristik
spektrum periodik dari suatu sampel data. DFT memiliki spectrum garis yang
mewakili periode sekuensial N. Adanya istilah “discrete fourier transform”
karena DFT memberikan gambaran deret fourier untuk sekuens terbatas.
Transformasi fourier diskrit atau disebut dengan Discrete Fourier Transform
12
(DFT) adalah model transformasi fourier yang dikenakan pada fungsi diskrit,
dan hasilnya juga diskrit. Berdasarkan kedua pengertian tersebut, maka dengan
kata lain DFT merupakan prosedur matematika yang dapat digunakan untuk
menentukan harmonik atau frekuensi, yang merupakan bagian dari sekuens sinyal
diskrit. DFT berasal dari transformasi fourier continue X(f) yang didefinisikan
sebagai :
∫
(2.5)
Di mana x(t) adalah sinyal continue dalam domain waktu.
Dengan perkembangan computer digital, ilmuwan berhasil menyatakan DFT
sebagai discrete frequency-domain sequence X(m) mejadi persamaan 2.2
∑
(2.6)
Di mana :
X(m) = komponen output DFT ke-m (contohnya : X(0), X(1), X(2), dst)
M = indeks output DFT dalam domain frekuensi
m = 0,1,2,3,…, N-1
x(n) = sekuens sampel input, x(0), x(1), x(2), dst.
n = indeks sampel input dalam fungsi waktu, n = 0,1,2,3,…, N-1
j = V-1
N = jumlah sampel sekuens input dan jumlah titik frekuensi di output DFT
2.10 Multi Scale Arch height
Multi Scale Arch height (Wang, 2015) yang disingkat dengan MARCH
merupakan sutu deskriptor yang dikhusukan untuk ekstraksi fitur daun
berdasarkan multi scale arch height (beberapa skala tinggi lengkungan pada
daun). Tujuan utama dari metode ini adalah untuk medapatkan deskriptor bentuk
13
daun yang efisien dan efektif agar dapat diterapkan dengan baik pada perangkat
smartphone. Secara garis besar tahapan pada metode ini dijelaskan pada subbab
berikutnya.
2.10.1 Ekstraksi Kontur
Ekstraksi kontur dilakukan pada citra biner, kontur yang didapatkan
direpresentasikan dengan fungsi koordinat di
mana merupakan panjang lengkungan yang telah dinormalisasi oleh linkaran
dalam kontur dan melambangkan jarak dari titik mulai ke
titik sepanjang kontur pada arah berlawanan jarum jam.
2.10.2 Arch Height
Setiap titik u pada kontur, lengkung dari ukuran skala S merupakan
kumpulan titik pada kontur , di mana S €(0,1).
Tinggi dari lengkungan dari lengkungan
merupakan bilangan real di mana
nilai absolutnya dapat dihitung dari persamaan :
( (
))( (
) (
)) ( (
))( (
) (
))
√ (
)
(
)
(2.7)
Di mana jika nilai = 0 maka titik
berada pada kontur lengkungan sedangkan
nilai positif atau negatif dari tinggi lengkungan melambangkan lengkungan
tersebut cekung atau cembung.
3Gambar 2.3 Ilustrasi Metode MARCH
14
2.10.3 K-Scale Arch Height
Setiap titik u pada kontur, K merupakan sebuah integer positif. Di mana
tinggi lengkungan dari
yag merupakan K-scale dari tinggi lengkungan.
Semakin tinggi nilai K maka akan semakin pendek panjang busur dari
lengkungan.
2.10.4 Vektor Fitur pada MARCH
Pada bentuk kontur , melintasi dari titik
awal ke titik akhir sepanjang kontur.
Panjang lengkungan pada skala-K
di setiap nilai u dapat diformulasikan pada
fungsi . Di mana nilai K bergantung pada jumalah titik (N) dalam kontur di
mana nilai maksimal dari K ,dilambangkan dengan .
Dari fungsi dapat diturunkan menjadi fungsi dan yang
masing-masing fungsi tersebut dapat didefinisikan sebagai:
(2.8)
Dari persamaan 2.4 dapat disumpulkan bahwa nilai melambangkan cekung
atau cembung lengkungan. Sedangkan nilai adalah nilai absolut dari tinggi
lengkungan. Karena menggunakan nilai tinggi, maka metode MARCH dapat
dikatakan invariance pada translasi. Agar invariance terhadap pengskalaan maka
nilai tinggi yang didapatkan dapat dibagi dengan nilai tinggi maksimalnya.
Untuk mendapatkan fitur yang invariance terhadap rotasi, tiap nilai dari tiap
fungsi yang didapat diaplikasikan pada transformasi fourier dan didapatkan nilai
besaran dari discrete fourier transform sperti yang terdapat pada persamaan 2.9
|
∑ (
)
|
Dan
15
|
∑ (
)
|
(2.9)
Sehingga deskriptor akhir yang didapat dapat didefinisikan sebagai
2.10.5 Eccentricity, Solidity dan Rectangularity
Eccentricty merupakan perbandingan/ratio dari major axis terhadap minor
axis dalam sebuah batas berbentuk ellipse. Solidity merupakan ukuran sebuah
bentuk apakah cembung atau cekung. Nilai Solidity adalah perbandingan antara
luas bentuk benda terhadap luas area convex hull dari bentuk tersebut.
Rectangularity merupakan gambaran seberapa kotak bentuk dari suatu benda.
Nilai rectangularity merupakan perbandingan antara luas area dengan luas
minimum suatu kotak yang dapat milikupi bentuk tersebut. Eccentricity, Solidity
dan Rectangularity merupakan fitur tambahan dalam metode MARCH.
2.10.6 Pengukuran jarak vektor fitur pada MARCH
Jika ada dua vektor fitur MARCH, missal vektor A dan vektor B
didefinisikan sebagai
Maka jarak antara A dan B adalah
∑ ∑
(2.10)
Di mana merupakan parameter bobot. Fitur tambahan yang digunakan pada
metode MARCH adalah Eccentricity, Solidity dan Rectangularity sehingga
16
persamaan pengukuran jarak vektor fitur adalah seperti yang terdapat pada
persamaan 2.11.
Ea : Eccentricity citra daun A
Eb : Eccentricity citra daun B
Sa : Solidity citra daun A
Sb : Solidity citra daun B
Ra : Rectangularity citra daun A
Rb : Rectangularity citra daun B
17
BAB 3
METODE PENELITIAN
Adapun tahapan penelitian yang akan dilakukan pada penelitian ini dapat
digambarkan sebagai berikut.
4Gambar 3.1 Tahapan Penelitian
3.1 Studi Literatur dan Analisa Awal
Pada setiap penelitian, studi literatur dan analisa awal merupakan hal yang
penting. Hal ini berkaitan dengan suatu pemahaman detail baik dari sisi konsep/dasar
teori yang dipakai maupun teknis dari tiap tahapan suatu penelitian. Pada tahap ini
akan dipelajari tentang segala informasi dan sumber pustaka yang disesuaikan
dengan konteks penelitian yang dilakukan. Dalam penelitian ini, literatur yang
dikaji secara garis besar meliputi konsep-konsep dasar CBIR, Dasar klasifikasi
tumbuhan, karakteristik daun, metode deteksi tepi dan ekstraksi kontur, discrete
fourier transform, metode Multi Scale Arch height (MARCH) dan metode
klasifikasi tumbuhan berdasarkan ruas tulang daun.
Selain pengkajian terhadap pustaka yang menjadi dasar keilmuan dalam
melakukan penelitian, dalam tahapan ini juga dilakukan analisa awal. Analisa ini
STUDI LITERATUR DAN ANALISA AWAL
DESAIN SISTEM
IMPLEMENTASI
PENGUJIAN DAN ANALISA HASIL
DOKUMENTASI SISTEM
18
dimaksudkan sebagai tahapan untuk melakukan analisa terhadap hasil penelitian-
penelitian sejenis yang telah dilakukan untuk dapat dipakai sebagai referensi
ataupun pembanding terhadap metode yang diusulkan.
3.2 Modified MARCH
Modifikasi metode Modified MARCH dibanding metode MARCH adalah
penyertaan fitur tulang daun yang diharapkan dapat mengakomodir karakteristik
internal dari daun. Selain itu metode Modified MARCH tidak menggunakan
seluruh titik pada kontur dalam perhitungan Arch Height melainkan hanya titik
convex hull dari kontur daun dan tulang daun. Fitur jenis lengkung Arch Height
(Cembung / Cekung) pada metode MARCH diganti dengan fitur Arch Height pada
Convex Hull tulang daun. Ilustrasi penggunaan fitur pada kontur daun dan ruas
tulang daun terdapat pada Gambar 3.2 dan Gambar 3.3
5Gambar 3.2 Ilustrasi Metode MARCH
19
6Gambar 3.3 Ilustrasi Metode Modified MARCH
3.3 Desain Sistem
Pada bagian ini dijelaskan mengenai alur proses metode yang digunakan,
dataset, serta format input dan output system. Penentuan desain model sistem ini
akan memberikan gambaran mengenai apa dan bagaimana suatu penelitian
dilaksanakan. Metode yang diusulkan adalah Modifed MARCH di mana garis
besar alur proses pada metode ini terdapat pada gambar 3.3.
20
7Gambar 3.4 Alur Proses Modifed MARCH
Penjelasan lebih detail dari alur proses pada gambar 3.4 dijelaskan pada subbab
berikutnya sesuai dengan urutan alur yang terdapat pada gambar.
3.3.1 Input Sistem
Input sistem berupa citra digital daun yang sudah tersimpan sebelumnya
dalam hal ini adalah data test dari dataset. citra daun yang diambil merupakan citra
daun tunggal dan harus memiliki background putih yang kontras dengan objek
daun.
Konversi ke Gray Scale
Ekstraksi Tulang Daun
Start
Citra Daun
Ekstraksi Kontur Daun
Kontur DaunTulang Daun
Perhitungan Convex Hull pada Tulang
Daun
Perhitungan Convex Hull pada Kontur
Daun
Titik Poligon Convex Hull pada
Tulang Daun
Titik Poligon Convex Hull pada
Kontur Daun
Perhitungan Eccentricity, Solidity dan
Ractangularity
Operasi MARCH pada Kontur Tulang Daun
Operasi MARCH pada Kontur
Daun
Vektor Fitur I
Database Fitur & Citra
Pengukuran Similaritas
Hasil IdentifikasiEnd
21
3.3.2 Konversi Gray Scale
Dalam penelitian ini nilai keabuan didapat dari channel V pada ruang warna
HSV. Channel V digunakan karena channel ini merupakan nilai maksimum dari
nilai R/G/B sehingga hampir tidak terpengaruh oleh refleksi cahaya. Persamaan
konversi dari RGB ke HSV terdapat pada persamaan 3.1. nilai keabuan diambil
dari nilai R/G/B yang tertinggi yang terdapat pada satu piksel.
{
{
(3.1)
3.3.3 Ekstraksi Kontur Daun
Ekstraksi kontur daun merupakan proses untuk mendapatkan kontur dari
citra input daun yang akan digunakan pada operasi MARCH. Input pada tahapan
ekstraksi kontur daun ini adalah citra gray scale yang telah didaptkan pada proses
sebelumnya. Beberapa tahapan untuk mendapatkan kontur daun diantranya adalah
konversi blur / pengaburan citra, binary thresholding dan penerapan metode
Canny. Detail dari tiap tahapan proses ekstraksi kontur daun terdapat pada sub bab
berikutnya. Alur proses ekstraksi kontur daun terdapat pada Gambar 3.5
8Gambar 3.5 Alur Proses Ekstraksi Kontur Daun
StartBlur / Pengaburan
CitraBinary Tresholding
Canny
Citra
GrayScale
Kontur DaunEnd
22
3.3.3.1 Blurring (Pengaburan Citra)
Operasi pengaburan citra bertujuan mengaburkan tepi pada objek di dalam
citra. Pengaburan citra adalah suatu filter spasial low-pass yang melenyapkan
detail halus dari suatu citra. Pengaburan citra dicapai melalui konvolusi, yakni
seluruh koefisien masuknya bernilai sama. Kernel yang digunakan dalam
pengaburan citra terdapat pada persamaan 3.2.
[
] (3.2)
3.3.3.2 Binary Thresholding
Binary Thresholding merupakan proses untuk mendapatkan citra biner.
Thresholding yang digunakan adalah thresholding global dengan menggunakan
ambang batas tertentu. Tiap piksel pada citra input dipetakan menjadi dua nilai
yaitu 1 atau 0 dengan ketentuan :
{
(3.3)
Di mana merupakan citra binary, adalah citra input, sedangkan T
adalah nilai ambang yang didapat dari titik potong kurva bimodial pada histogram.
Nilai T didapatkan dengan beberapa langkah berikut:
1. Pilih nilai awal T, dan tentukan nilai ambang To
2. Lakukan segmentasi piksel berdasarkan nilai T, akan terbentuk dua
kelompok piksel yang dibawah nilai T (G1) dengan piksel yang diatas nilai
T (G2)
3. Hitung rata – rata nilai piksel di tiap kelompok, dapatkan nilai mean1
untuk G1 dan mean2 untuk G2
4. Dapatkan nilai T baru dari nilai rata – rata mean yang didapatkan : T baru
= (mean1 + mean2) / 2
5. Ulangi langkah 2 sampai 4 hingga selsih nilai T baru dengan T sebelumnya
lebih kecil dari nilai ambang To
23
3.3.3.3 Ekstraksi Kontur dengan Metode Canny
Ekstraksi kontur dilakukan untuk mendapatkan garis tepi daun (kontur) dari
citra daun yang sudah diubah menjadi citra biner. Metode ekstraksi kontur yang
digunakan adalah metode Canny. Alur proses metode Canny terdapat pada gambar
3.6 Hasil dari ekstraksi kontur adalah vektor koordinat titik yang berada pada garis
tepi daun.
9Gambar 3.6 Alur Proses Metode Canny
Penjelasan tiap tahapan pada alur proses metode canny adalah sebagai berikut :
a. Gaussian filter/smoothing dilakukan untuk menghilangkan noise. Salah
satu filter Gaussian dengan menggunakan σ = 1, 4 yang didapat dari
persamaan Gaussian
`
(3.4)
Start
Gaussian Filter
Sobel X, Y
Non - Maximum Suppression
Hystresis
Citra Gray Scale
Edge
End
24
adalah :
[ ]
Yang selanjutnya filter tersebut digunakan untuk mendapatkan nilai baru dari titik
pada citra dari nilai tetangga pada piksel tersebut
b. Setelah dilakukan operasi gaussian filter, operasi sobel dilakukan untuk
mendapatkan gradien x dan y. operator sobel yang digunakan adalah
[
] [
]
(3.5)
c. Perhitungan gradien dan arah gradien dilakukan setelah niali gradien x dan
y didapatkan, perhitungan gradien dan arah gradien dihitung dengan
persamaan:
√
(
)
(3.6)
d. Informasi arah dan gradien yang didapat diguanakan pada operasi non-
maximum suppression. Pada operasi ini diambil nilai piksel dengan
gradien yang besar
e. Tahapan terakhir pada canny adalah thresholding untuk menampilkan tepi
dari citra, di mana tepi adalah piksel yang memiliki gradien besar yang
sudah diseleksi pada tahapan maximum suppression.
3.3.4 Convex hull Kontur Daun
Titik acuan pada kontur daun yang akan digunakan pada operasi MARCH
merupakan titik convex hull dari kontur daun. Pencarian convex hull pada kontur
daun digunakan metode (Skalansky, 1982). Penjabaran garis besar algoritma
Skalansky adalah sebagai berikut :
25
1. Tentukan titik extremal yaitu sebuah titik yang paling jauh dari semua
titik dalambeberapa arah (sebagai contoh, titik dengan koordinat y
yang terkecil) dan berikan nama P0.
2. Lakukan sorting pada pada titik yang tersisa n-1 secara radial, dan
gunakan P0 sebagai titik awal.
3. Tempatkan tiga koin pada vertices P0, P1, P2 dan namakan titik-titik
itu masing-masing dengan “back”, “center”, dan “front” secara
berurutan (Titik-titik itu akan berputar ke kanan dari “back” ke
“front”).
4. Lakukan: jika 3 koin yang berputar ke kanan (atau jika 3 koin terletak
pada collinear vertices)
a. Letakkan “back” dan tempatkan pada vertex dimuka dari “front”
b. Berikan nama kembali : “back” menjadi “front”, “front” menjadi
“center”, “center” menjadi “back”.
Jika tidak (3 koin yang berputar ke kiri)
a. Letakkan “center” dan tempatkan pada vertex dibelakang “back”.
b. Pindahkan (atau abaikan selanjutnya) vertex yang berposisi sebagai
“center”
3.3.5 Ekstraksi Tulang daun
Ekstraksi tulang daun pada penelitan ini menggunakan metode yang
diperkenalkan oleh (Zheng, 2010). Metode ini menggunakan operasi morphologi
pada citra grayscale untuk mendapatkan kerangka tulang daun. Pada penelitan ini
nilai grayscale diambil dari channel V pada color space HSV. Alur proses
ekstraksi tulang daun terdapat pada gambar 3.7
10Gambar 3.7 Alur Ekstraksi Kerangka Tulang Daun
StartBlur /
Pengaburan Citra
Zheng Method
Substraksi Kontur
Citra GrayScale
Kerangka Tulang Daun
End
26
3.3.5.1 Proses Blur
Setelah nilai grayscale dari channel V pada colorspace HSV didapat,
dilakukan proses blur untuk menghilangkan noise dan detail yang tidak
diperlukan. Proses blur dilakukan dengan menerapkan persamaan 3.2.
3.3.5.2 Zheng Method
Hasil dari proses blur citra grayscale merupakan input pada operasi zheng,
hasil operasi zheng didapat dengan mengimplementasikan persamaan 2.4 di mana
citra input merupakn citra grayscale dari nilai V channel pada HSV yang telah
dilakukan proses bluring. Kerangka tulang daun didapatkan dari substraksi hasil
top hat dan bottom hat.
3.3.5.3 Penghilangan Kontur
Sisa dari kontur yang terdapat pada hasil ekstraksi tulang daun dihilangkan
dengan melakukan proses substraksi antara citra hasil ekstraksi tulang daun
dengan citra kontur yang sudah mengalami proses dilasi untuk menebalkan garis
kontur.
3.3.6 Convex hull Ruas Tulang Daun
Titik terluar ruas tulang daun merupakan titik convex hull dari kumpulan
titik yang membentuk ruas tulang daun. untuk mendapatkan titik convex hull
digunakan algoritma Skalansky. Algoritma Skalansky yang dijalankan sama
dengan sub bab 3.2.3 namun digunakan untuk titik – titik yang terdapat pada ruas
tulang daun
3.3.7 Ekstraksi Vektor Fitur dengan MARCH Descriptor
Proses ini merupakan proses untuk mendapatkan vektor fitur dengan
menggunakan Deskriptor MARCH. Pada metode MARCH (Asli) vektor fitur
didapat dari nilai magnitude DFT dari tinggi lengkungan pada tiap titik kontur
daun dan nilai cekung/cembung lengkungan.
27
Pada penelitian ini (Modfied MARCH) vektor fitur didapat dari nilai
magnitude DFT dari tinggi lengkungan pada titik convex hull pada kontur daun
dan tinggi lengkungan pada titik convex hull pada kontur ruas tulang daun.
Tinggi lengkungan pada setiap titik convex hull yang telah didapatkan,
dihitung menggunakan persamaan 2.7 di tiap nilai skala . di mana N
merupakan jumlah titik pada kontur. Sehingga terbentuk kumpulan fungsi
dan dalam hal ini u merupakan titik convex hull pada kontur daun,
sedangkan merupakan titik convex hull pada kontur ruas tulang daun.
Untuk mendapatkan fitur yang invarian terhadap rotasi, tiap fungsi tersebut
diaplikasikan pada transformasi fourier seperti yang terdapat pada persamaan 2.8.
sehingga didapat nilai hasil transformasi fourier untu fungsi dan
untuk fungsi Dan didapat hasi akhir berupa vektor fitur dalam
bentuk .
3.3.8 Pengukuran Similaritas Vektor Fitur
Vektor fitur dari citra query yang telah didapatkan diukur
jarak/kedekatannya dengan tiap vektor fitur yang tersimpan pada database.
Pengukuran similaritas antara vektor fitur dihitung berdasarkan persamaan 2.10.
setelah didapatkan jarak antar vektor, dipilih vektor fitur pada database yang
paling memiliki kedekatan dengan vektor fitur citra query.
3.4 Implementasi Sistem
Tahapan implementasi sistem adalah tahapan pengembangan aplikasi dari
model sistem yang telah dirancang dengan suatu bahasa pemrograman. Tahapan
ini akan menghasilkan suatu program aplikasi desktop dan mobile dalam
environment Java dan Android sabagai media representatif terhadap hasil dari
metode yang diusulkan. Digunakan platform Android karena Android mempunyai
market share yang lebih besar dibanding platform mobile lainnya. Selain itu untuk
pemrosesan dataset di sisi server digunakan aplikasi desktop berbasi Java serta
platform web service dengan menggunakan PHP diagram desain implementasi
sistem terdapat pada gambar 3.6.
28
11Gambar 3.8 Diagram Desain Implementasi Sistem
Input citra query diambil dari kamera yang terdapat pada smartphone, selanjuntya
dengan metode Modified MARCH dicari vektor fiturnya. Vektor fitur yang
didapatan dikirim ke server dengan menggunakan web service.
Proses pengukuran kesamaan antara vektor fitur citra query dengan vektor
fitur yang terdapat pada database dilakukan pada server. Setelah mendapatkan
hasil, server mengirimkan respon berupa citra hasil query ke smartphone.
Pemrosesan dataset untuk mendapatkan database fitur dilakukan secara offline.
3.5 Pengujian dan Analisa hasil
Dataset yang digunakan untuk pengujian adalah Flavia leaf. Pada dataset
dilakukan pengujian dengan melakukan query dari citra daun pada setiap spesies
dalam dataset. Sejumlah citra dari dataset digunakan untuk citra testing. Sistem
akan menampilkan beberapa peringkat teratas hasil query. Dari hasil query
tersebut dihitung jumlah citra yang valid atau tidak.
Parameter evaluasi hasil yang digunakan adalah nilai Average Precission
(AP). AP digunakan karena nilai AP memperhitungkan peringkat hasil query
sehingga semakin relevan peringkat teratas dokumen teretrive maka nilai AP
semakin tinggi. Selain nilai Average Precission, juga dianalisa performa metode
dengan mengukur waktu komputasi yang dibutuhkan pada smartphone.
Ambil Gambar Input Query
Ekstraksi Fitur
Pengukuran
Similaritas
Database
FiturDataset Ekstraksi Fitur
Pengurutan
hasil
Tampilkan
Hasil
Aplikasi Mobile
Server
Web Service
29
Nilai Average precision adalah suatu ukuran evaluasi yang diperoleh dengan
menghitung rata-rata tingkat precision pada berbagai tingkat
recall. Nilai Average precission berada pada rentang antara nol sampai dengan
satu. Oleh karena itu, suatu sistem temu kembali yang baik adalah yang dapat
memberikan nilai Average precission mendekati atau sama dengan satu. Nilai
Average precision dirumuskan dalam persamaan 3.7
∑
(3.7)
Di mana P(k) merupakan precission dari peringkat ke -k daftar dokumen
terretrive, f(k) bernilai 1 jika dokumen ke -k tersebut valid dan bernilai 0 jika
tidak.
Setelah didapatkan nilai Average precission dari tiap pengujian, selanjutnya
dihitung nilai Mean Average Precisson (MAP) dan rata-rata waktu komputasi
untuk tiap dataset. MAP merupakan rata-rata dari seluruh nilai AP pada tiap query
uji coba.
Akhir dari penelitian ini adalah dengan menarik kesimpulan dari analisa dan
evaluasi hasil yang sudah dilakukan dan bagaimana perbandingan MAP dan
waktu komputasi antara Modified MARCH dengan MARCH.
31
BAB 4
IMPLEMENTASI METODE
Pada bagian ini dipaparkan hasil implementasi dari setiap langkah yang
telah dipaparkan pada Bab 3. Implementasi metode berupa kode program yang
dibahas sesuai dengan urutan desain sistem yang terdapat pada Bab 3.
4.1 Implementasi
Metode yang diusulkan diimplementasikan dengan menggunakan tiga
platform yaitu Java SE dengan desain antarmuka Swing Java, PHP dan Android.
Platform Java SE digunakan sebagai inti penerapan metode (Implementasi
Algoritma pada sisi server) hingga uji coba metode dalam pengukuran MAP.
Platform PHP digunakan untuk implementasi Web Service dengan menerima
Request dari Android dan meresponnya dalam bentuk daftar hasil query dalam
format JSON (Java Script Object Notation). Sedangkan platform Android
digunakan untuk uji coba waktu komputasi dalam penerapan metode pada
smartphone.
Library Pengelohan Citra yang digunakan adalah OpenCV versi 3.0.0
dalam versi Java dan Android, sedangkan database yang digunakan adalah MySql
dengan implementasi JPA pada Java SE.. Aplikasi dibangun di atas platform
Microsoft Windows 7, dengan spesifikasi processor Core I3 1,7 Ghz dan Memory
DDR III 4 GB. IDE yang digunakan untuk membangun Aplikasi adalah NetBeans
8.0.2 Serta Android Studio 1.3.1
Untuk menjalankan Aplikasi Android dalam uji coba hasil digunakan
Emulator Oracle Virtual Box yang menjalankan Sistem Operasi Android API 15
(Ice Cream Sandwich).
Implementasi algoritma dilakukan dengan membuat fungsi-fungsi dari
setiap proses/tahap yang telah dipaparkan pada Bab 3. Pada bagian ini ditampilkan
hasil implementasi di setiap langkahnya beserta potongan-potongan script yang
penting dalam setiap bagiannya.
4.1.1 Load File Path Dataset Ke Database
Untuk memudahkan pengolahan dataset path dari keseluruhan file yang
terdapat pada dataset disimpan pada Database. Sebelum proses penyimpanan
32
dalam database. File pada dataset diorganisasikan dengan susunan folder berupa
„Nama_dataset/Spesies/File‟. Proses penyimpanan path ke database dilakukan
dengan menelusuri semua file yang berada pada folder dataset dan mengambil
path tiap file tersebut.
Tabel pada database yang digunakan untuk menyimpan file path dan vektor
fitur terdiri dari tabel GbrDaun, VektorFitur, GbrDaunFold, VektorViturFold.
Kode program untuk load path dataset ke database tradapat pada Gambar 4.1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
if (returnVal == JFileChooser.APPROVE_OPTION)
{
EntityManagerFactory emf =
javax.persistence.Persistence.createEntityManagerFactory("ModifeidMARCHPU");
EntityManager em = emf.createEntityManager();
em.getTransaction().begin();
//empty table
try{
em.createQuery("DELETE FROM VektorFitur").executeUpdate();
em.createQuery("DELETE FROM GbrDaun").executeUpdate();
em.getTransaction().commit();
}catch(Exception e)
{
System.out.println(e.getMessage());
}
File file = jFileChooser2.getSelectedFile();
//This is where a real application would open the file
jTextField1.setText(file.getAbsolutePath());
FileHandler FileH = new FileHandler();
Collection <String> ListFile =
FileH.getAllFiles(jTextField1.getText());
EntityTransaction tx = em.getTransaction();
tx.begin();
for(String File : ListFile)
{
//insert object
System.out.println();
GbrDaun daun = new GbrDaun();
String [] FilePisahFilePisah = File.split("\\\\");
int JumlahElemen = FilePisahFilePisah.length;
daun.setSpesies(FilePisahFilePisah[JumlahElemen-2]);
daun.setFileLocation(File);
daun.setDataset(FilePisahFilePisah[JumlahElemen - 3]);
daun.setPictureName(FilePisahFilePisah[JumlahElemen - 1]);
daun.setFileLocWeb(daun.getDataset()+"\\"+daun.getSpesies()+"\\"+daun.getPictureN
ame());
em.persist(daun);
}
tx.commit();
em.close();
}
}
12Gambar 4.1 Metode untuk Menyimpan Path Dataset Ke Database
33
4.1.2 Ekstraksi Fitur
Ekstraksi fitur dilakukan pada semua file yang terdapat pada dataset, hasil
ekstraksi vektor fitur berupa deret bilangan floating point yang merupakan nilai
total magnitude DFT dari hasil metode MARCH. Looping dilakukan untuk
menelusuri semua path yang terdapat pada tabel GbrDaun. Vektor fitur yang
didapat disimpan ke dalam tabel VektorFitur pada database seperti yang terdapat
pada Gambar 4.2. Tahapan metode hingga didapatkan vektor fitur dijelaskan pada
sub bab berikutnya.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
ImageHandler ImgH = new ImageHandler();
ModMarchLib marchLib = new ModMarchLib();
MarchOperation ModMarch = new MarchOperation();
EntityManagerFactory emf =
javax.persistence.Persistence.createEntityManagerFactory("ModifeidMarchPU");
EntityManager em = emf.createEntityManager();
//clean table
try
{
em.getTransaction().begin();
if(jCheckBox1.isSelected())
{
em.createQuery("DELETE FROM VektorFitur as D where
D.ismarch = 1").executeUpdate();
}
else
{
em.createQuery("DELETE FROM VektorFitur as D where
D.ismarch = 0").executeUpdate();
}
em.getTransaction().commit();
}catch(Exception e)
{
System.out.println(e.getMessage());
}
//
TypedQuery<GbrDaun> query = em.createQuery("SELECT c FROM GbrDaun
c", GbrDaun.class);
List<GbrDaun> results = query.getResultList();
boolean ismarch = jCheckBox1.isSelected()?true:false;
int ismarch2;
for(GbrDaun gbrdaun : results)
{
try {
ModMarch = new MarchOperation();
System.out.println(gbrdaun.getFileLocation());
if(ismarch)
{
ModMarch.OriOperation(gbrdaun.getFileLocation());
ismarch2 = 1;
}
else
{
ModMarch.Doperation(gbrdaun.getFileLocation());
ismarch2 = 0;
}
em.getTransaction().begin();
VektorFitur nVektorFitur = new VektorFitur();
nVektorFitur.setGbrDaunId(gbrdaun);
nVektorFitur.setIsmarch((short)ismarch2);
34
55
56
57
58
59
60
61
62
63
64
65
66
67
68
nVektorFitur.setVektorFitur(marchLib.ListToString(ModMarch.refDftAlpha) +"|"+
marchLib.ListToString(ModMarch.refDftBeta)+"|"+marchLib.ListToString(ModMarch
.AddedProp));
em.persist(nVektorFitur);
em.getTransaction().commit();
} catch (IOException ex) {
Logger.getLogger(MainForm.class.getName()).log(Level.SEVERE, null, ex);
}
}
13Gambar 4.2 Metode proses ekstraksi fitur dari dataset
4.1.3 Load Citra Masukan
Citra input diambil dari path file pada database yang merujuk pada dataset.
Selanjutnya citra input diubah menjadi format Mat yang dapat dibaca oleh Library
Open Cv. Source code untuk load Citra Input terdapat pada Gambar 4.3
sedangkan hasil proses load citra input terdapat pada Gambar 4.4
1
2
3
4
5
6
7
8
File input = new File(FilePath);
BufferedImage image = ImageIO.read(input);
byte[] data = ((DataBufferByte) image.getRaster().getDataBuffer()).getData();
Mat mat = new Mat(image.getHeight(), image.getWidth(), CvType.CV_8UC3);
mat.put(0, 0, data);
return mat;
14Gambar 4.3 Metode Load Citra Input
15Gambar 4.4 Hasil Load Salah Satu Citra Input dari dataset
35
4.1.4 Ekstraksi Kontur Daun
Ekstraksi kontur daun merupakan proses untuk mendapatkan kontur dari
citra input daun yang akan digunakan pada operasi MARCH. tahapan yang
dilakukan untuk mendapatkan kontur daun seperti yang terdapat pada gambar
diantranya adalah konversi grayscale, blur/pengaburan citra, binary thresholding
dan penerapan metode Canny. Implementasi tiap tahapan tersebut terdapat pada
subbab berikutnya.
4.1.4.1 Konversi Grayscale dan proses Blur
Untuk mengubah citra RGB ke grayscale digunakan persamaan 3.1.
Konversi ke grayscale dilakukan dengan menggambil nilai V dari channel HSV
yang merupakan hasil konversi dari citra input (RGB), nilai V diambil karena nilai
ini hampir tidak terpengaruh refleksi cahaya pada citra daun sehingga tekstur
tulang daun akan tampak lebih jelas.
Setelah citra grayscale didapatkan, dilakukan proses blur untuk
memudarkan detail dari citra daun, digunakan kernel dengan ukuran cukup besar
(30x30) sehingga sebagian besar detail citra daun akan hilang dan lebih nampak
lebih ke bentuk dasarnya. Hasil konversi grayscale dan proses pengaburan citra
terdapat pada Gambar 4.6, sedangkan source code terdapat pada Gambar 4.5.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
public Mat fGetVChannel(Mat src) throws IOException
{
Mat eyeball_HSV = new Mat();
List<Mat> hsv_channel = new ArrayList<Mat>();
//convert image to HSV
Imgproc.cvtColor(src, eyeball_HSV, Imgproc.COLOR_RGB2HSV, 0);
Core.split(eyeball_HSV, hsv_channel);
Mat matsrc = hsv_channel.get(2);
return matsrc;
}
public Mat fGetBlur (Mat matsrc)
{
Imgproc.blur(matsrc, matsrc, new Size(30,30));
return matsrc;
}
16Gambar 4.5 Metode untuk pengaburan citra dan konversi ke grayscale
36
17Gambar 4.6 Hasil proses blur dan konversi ke grayscale
4.1.4.2 Binary Threshold
Threshold yang digunakan adalah threshold binary invers dengan
ketentuan seperti yang terdapat pada persamaan 3.2. digunakan batas tersholding
yang cukup rendah, sehingga hasil yang didapatkan merupakan bentuk dasar citra
daun yang dapat mempermudah pada proses ekstraksi kontur daun dengan metode
Canny. Hasil proses thresholding terdapat pada Gambar 4.8 sedangkan source
code impelementasi metode terdapat pada Gambar 4.7
1
2
3
4
5
6
7
8
public Mat fGetBinary (Mat matsrc) {
Mat Outter = matsrc.clone();
//threshold binary
Imgproc.threshold(Outter, Outter, 230, 255, Imgproc.THRESH_BINARY_INV);
return Outter;
}
18Gambar 4.7 Metode Binary Threshold
19Gambar 4.8 Hasil proses Binary Thresholding
37
4.1.4.3 Ekstraksi Kontur Daun dengan Metode Canny
Untuk mendapatkan kontur citra daun yang akan digunakan pada metode
MARCH, digunakan metode Canny dengan menggunakan kernel ukuran (3x3) dan
nilai threshold (80, 100). hasil dari ekstraksi kontur berupa array kumpulan titik
pada kontur. Hasil ekstraksi kontur daun menggunakan metode Canny terdapat
pada Gambar 4.10 sedangkan source code impelementasi metode terdapat pada
Gambar 4.9
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
public Mat fGetCannyContour (Mat Outter)
{
Imgproc.Canny(Outter, Outter, 80, 100);
contours = new ArrayList<MatOfPoint>();
Mat hierarchy = new Mat();
findContours(Outter, contours, hierarchy, Imgproc.RETR_LIST,
Imgproc.CHAIN_APPROX_NONE);
//dapatkan countour terbesar
int largest_contour_index= 0;
double largest_area = 0;
for( int i = 0; i< contours.size(); i++ )
{
// Find the area of contour
double a=contourArea(contours.get(i),false);
if(a>largest_area){
largest_area=a;
largest_contour_index=i;
// Find the bounding rectangle for biggest contour
//bounding_rect=boundingRect(contours[i]);
}
}
Rect rect = Imgproc.boundingRect(contours.get(largest_contour_index));
rectArea1 = rect.area();
conturArea1 = largest_area;
MatOfPoint2f NewMtx = new MatOfPoint2f(
contours.get(largest_idx).toArray());
// MatOfPoint2f NewMtx2= (MatOfPoint2f) NewMtx.clone();
perimeter1 = Imgproc.arcLength(NewMtx, true);
largest_idx =largest_contour_index;
RotatedRect rect1;
try {
rect1 = Imgproc.fitEllipse(NewMtx);
eccentricity = rect1.size.height/rect1.size.width;
} catch (Exception e) {
eccentricity = 0;
System.out.println("eccentricity set to 0");
}
//gambar kontur ke new mat
Mat dst = new Mat(Outter.size(),CvType.CV_8UC1);
Imgproc.drawContours(dst, contours, largest_contour_index, new
Scalar(255,255,255),1);
//return dst;
return dst;
}
}
20Gambar 4.9 Metode Ekstraksi Kontur dengan Canny
38
21Gambar 4.10 Hasil Proses Ekstraksi Kontur dengan Canny
4.1.5 Convex hull pada Kontur Daun
Operasi convex hull pada kontur daun digunakan untuk mendapatkan titik
acuan opearsi MARCH pada kontur daun. Titik acuan tersebut merupakan titik
convex hull yang terdapat pada kontur daun. Hasil dari tahapan ini adalah daftar
titik pada kontur daun yang merupakan titik convex hull. Implementasi operasi
convex hull pada kontur daun terdapat pada Gambar 4.11
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
public Mat GetConvexHaul(List<MatOfPoint> contours,int largest_contour_index,
Mat src)
{
MatOfInt hullpoint = new MatOfInt();
Mat dst = src.clone();
Imgproc.convexHull(contours.get(largest_contour_index),hullpoint);
int[] intlist = hullpoint.toArray();
l = new ArrayList<Point>();
l.clear();
for (int i = 0; i < intlist.length; i++) {
l.add(contours.get(largest_contour_index).toList().get(hullpoint.toList().get(i))
);
}
Mat mathull = Converters.vector_Point_to_Mat(l);
List<MatOfPoint> hull = new ArrayList<MatOfPoint>();
MatOfPoint p = new MatOfPoint();
//edit
p.fromList(l);
hull.add(p);
MatOfPoint2f NewMtx = new MatOfPoint2f(p.toArray());
perimeterConvexhull1 = Imgproc.arcLength(NewMtx, true);
convexhullArea = contourArea(p,false);
//sampai sini
Imgproc.drawContours(dst, hull, 0, new Scalar(255,255,255));
return dst;
}
22Gambar 4.11 Metode convex hull pada kontur daun
39
4.1.6 Ekstraksi Kerangka Tulang Daun Menggunakan Morfologi
Untuk mendapatkan kerangka tulang daun digunakan metode ekstraksi tulang
daun pada citra grayscale yang diperkenalkan oleh (Zheng,2010). Ekstraksi
kerangka tulang daun dilakukan dengan mengurangkan (substract) hasil operasi
top-hat dan operasi bottom-hat dari citra grayscale yang didapatkan sebelumnya.
Untuk menghilangkan garis kontur, hasil dari pengurangan dari operasi tophat dan
bottomhat dikurangkan dengan hasil dilatasi citra kontur dari opersai ekstraksi
kontur dengan canny dengan menggunakan ukuran kernel yang cukup besar. Hasil
yang didaptkan dari proses ekstraksi kerangka tulang daun terdapat pada Gambar
4.13, sedangkan source yang digunakan terdapat pada Gambar 4.12
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
public Mat fGetVeinMorp3 (Mat matsrc, Mat Contour)
{
//Imgproc.blur(matsrc, matsrc, new Size(3, 3));
Mat element = Imgproc.getStructuringElement(Imgproc.MORPH_CROSS, new
Size(6, 6));
Mat element0 = Imgproc.getStructuringElement(Imgproc.MORPH_CROSS, new
Size(7, 7));
Mat element1 = Imgproc.getStructuringElement(Imgproc.MORPH_CROSS, new
Size(3, 3));
Mat element2 = Imgproc.getStructuringElement(Imgproc.MORPH_CROSS, new
Size(30, 30));
//matsrc.convertTo(matsrc,-1, 2.2, 50);
//Imgproc.erode(matsrc, matsrc, element2);
//matsrc = mat_to_canny(matsrc);
Mat temp1 = new Mat(matsrc.size(),CvType.CV_8UC1);
Mat temp2 = new Mat(matsrc.size(),CvType.CV_8UC1);
Mat temp3 = new Mat(matsrc.size(),CvType.CV_8UC1);
Mat temp4 = new Mat(matsrc.size(),CvType.CV_8UC1);
temp3 = Contour;
Imgproc.blur(matsrc, matsrc, new Size(3, 3));
Imgproc.morphologyEx(matsrc, temp1, Imgproc.MORPH_BLACKHAT, element);
Imgproc.morphologyEx(matsrc, temp2, Imgproc.MORPH_TOPHAT, element);
Core.subtract(temp2, temp1, matsrc);
Imgproc.dilate(temp3, temp3, element2);
Core.subtract(matsrc, temp3, temp4);
Imgproc.erode(temp4, temp4, element);
//Imgproc.erode(temp4, temp4, element1);
return temp4;
}
23Gambar 4.12 Metode Ekstraksi Kerangka Tulang
40
24Gambar 4.13 Hasil Ekstraksi Kerangka Tulang
4.1.7 Convex hull pada Ruas Tulang Daun
Titik acuan operasi MARCH pada ruas tulang daun merupakan titik convex
hull yang terdapat pada ruas tulang daun. Input parameter convex hull adalah
kumpulan titik yang terdapat pada ruas tulang daun. Kontur pada ruas tulang daun
didapatkan dengan menghubungkan tiap titik convex hull yang sudah didapat. Dari
titik convex hull dan kontur dapat dilakukan operasi MARCH pada ruas tulang
daun. Implementasi kode untuk mendapatkan convex hull serta kontur dari ruas
tulang daun terdapat pada Gambar 4.14 sedangkan hasil convex hull dari ruas
tulang daun terdapat pada Gambar 4.15
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
public Mat fGetOutterVeinCh2 (Mat matsrc) {
//Imgproc.Canny(matsrc, matsrc, 10, 40);
Mat dst = new Mat(matsrc.size(),CvType.CV_8UC1);
Mat Outter = matsrc.clone();
List<MatOfPoint> contours2 = new ArrayList<MatOfPoint>();
Mat hierarchy = new Mat();
// findContours
findContours(Outter, contours2, hierarchy, Imgproc.RETR_LIST,
Imgproc.CHAIN_APPROX_NONE);
//dapatkan countour terbesar
MatOfInt hullpoint = new MatOfInt();
MatOfInt hullpoint2 = new MatOfInt();
List<MatOfPoint> hull = new ArrayList<MatOfPoint>();
List<MatOfPoint> hull2 = new ArrayList<MatOfPoint>();
l1_inner = new ArrayList<Point>();
l2_inner= new ArrayList<Point>();
for( int i = 0; i< contours2.size(); i++ )
{ //l.clear();
Imgproc.convexHull(contours2.get(i), hullpoint);
41
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
int intlist = (int) hullpoint.size().height;
for (int j = 0; j < intlist; j++)
{
l1_inner.add(contours2.get(i).toList().get(hullpoint.toList().get(j)));
}
// Mat mathull = Converters.vector_Point_to_Mat(l);
}
MatOfPoint p = new MatOfPoint();
p.fromList(l1_inner);
hull.add(p);
//new
if(p.empty())
{
System.out.println(Filepathg);
return null;
}
Imgproc.convexHull(p, hullpoint2);
int intlist = (int) hullpoint2.size().height;
for (int j = 0; j < intlist; j++)
{
l2_inner.add(p.toList().get(hullpoint2.toList().get(j)));
}
MatOfPoint p2 = new MatOfPoint();
p2.fromList(l2_inner);
hull2.add(p2);
Imgproc.drawContours(dst, hull2, 0, new Scalar(255,255,255),1);
//Imgproc.Canny(dst, dst, 80, 100);
contours_inner = new ArrayList<MatOfPoint>();
Mat hierarchy2 = new Mat();
findContours(dst, contours_inner, hierarchy2, Imgproc.RETR_LIST,
Imgproc.CHAIN_APPROX_NONE);
//dapatkan countour terbesar
int largest_contour_index= 0;
double largest_area = 0;
for( int i = 0; i< contours_inner.size(); i++ )
{
// Find the area of contour
double a=contourArea(contours_inner.get(i),false);
if(a>largest_area){
largest_area=a;
largest_contour_index=i;
// Find the bounding rectangle for biggest contour
//bounding_rect=boundingRect(contours[i]);
}
}
largest_idx_inner =largest_contour_index;
return dst;
}
25Gambar 4.14 Metode Convex hull pada Ruas Tulang Daun
42
26Gambar 4.15 Hasil Metode Convex hull pada Ruas Tulang Daun
4.1.8 Operasi MARCH
Operasi MARCH dilakukan pada kontur daun dan kontur ruas tulang daun
dengan acuan titik convex hull pada masing masing kontur. Tahap pertama dari
operasi MARCH adalah mendapatkan nilai K (maksimum nilai skala yang
digunakan). Nilai K didapatkan dari Log2(N) jumlah piksel pada kontur.
selanjutnya untuk setiap nilai K, dihitung nilai arch height pada tiap titik acuan.
Setelah nilai arch height didapatkan, dapat dihitung nilai alfa dan beta. Alfa
merupakan nilai absolut dari arch heigth titik acuan pada kontur daun sedangkan
beta adalah nilai absolut dari arch heigth titik acuan pada kontur ruas tulang daun.
Masing masing nilai alfa dan beta dimasukkan ke persamaan DFT untuk
mendapatkan nilai dan yang merupakan nilai koefisien magnitude
DFT. nilai dan akan dijadikan sebagai vektor fitur. Implementasi
tiap tahapan metode dibagi menjadi beberapa point diantaranya:
a. Hitung Nilai K
Nilai k merupakan hasil log2 N (x) di mana X adalah jumlah piksel pada
kontur, implementasi kode program untuk mendapatkan nilai K terdapat
pada gambar
1
2
3
4
5
6
public int getKscale(int jmlPixel)
{
int k = (int) (Math.log(jmlPixel)/Math.log(2));
return k-1;
}
27Gambar 4.16 Metode Hitung Nilai K
43
b. Hitung Nilai Arch height
Nilai arch height pada tiap titik acuan pada kontur di hitung berdasarkan
skala yang digunakan, skala maksimum adalah sama dengan nilai K.
perhitungan arch height mengacu pada persamaan 2.7. implementasi kode
program untuk mendapatkan nilai arch height pada satu titik acuan dengan
skala K terdapat pada Gambar 4.17
1
2
3
4
5
6
7
8
9
10
11
12
13
14
public double getArchHegiht2(List<Point> Contour, Point Cord,int
Kscale, int jumPixel)
{
double archlength = jumPixel/(Math.pow(2, Kscale));
List<Point> LR = getLeftRight2(Contour, Cord, archlength);
Point Left = LR.get(0);
Point Right = LR.get(1);
double atas = (Cord.x - (Right.x))*((Right.y)-( Left.y))-(Cord.y-
(Left.y)*((Right.x)-(Left.x)));
double bawah = Math.floor(Math.pow(((Right.x)-(Left.x)),2) +
Math.pow(((Right.y)-(Left.y)),2));
double archHeight = atas/bawah;
return archHeight;}
28Gambar 4.17 Metode Hitung Nilai Arch height
c. Hitung Nilai Beta
Nilai beta dapat didapatkan setelah nilai arch heigh didapat. Pada metode
MARCH nilai beta merupakan penggambaran lengkung atau cembung arch
height pada suatu titik acuan. Namun pada Modified MARCH Nilai beta
merupakan Arch Height pada Convex hull tulang daun yang dihitung
dengan persamaan 2.7. Implementasi kode program dalam mendapatkan
nilai beta terdapat pada Gambar 4.18.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
29
30
public List<Integer> getListBeta(List<Double> ArchList)
{
int result;
List<Integer> beta = new ArrayList<>();
for (Iterator<Double> it = ArchList.iterator(); it.hasNext();) {
double item = it.next();
if(item >0)
{
result = 1;
}
else
{
result = 0;
}
beta.add(result);
}
return beta;
}
29Gambar 4.18 Metode Hitung Nilai Beta
44
d. Hitung Nilai Alfa
Nilai alfa merupakan nilai absolut dari Arch Height pada skala ke -k,
implementasi kode program untuk mendapatkan nilai alfa terdapat pada
Gambar 4.19
1
2
3
4
5
6
7
8
9
10
11
public List<Double> getListAlpha(List<Double> ArchList)
{
int result;
List<Double> alpha = new ArrayList<>();
for (Iterator<Double> it = ArchList.iterator(); it.hasNext();) {
double item = it.next();
alpha.add(Math.abs(item));
}
return alpha;
}
30Gambar 4.19 Metode Hitung Nilai Alfa
e. Persamaan DFT
Masing-masing nilai Alfa dan Beta yang sudah didapat dimasukkan ke
dalam persamaan 2.6 untuk mendapatkan nilai dan , deret
nilai dan inilah yang dijadikan vektor fitur. Implementasi
kode program untuk persamaan DFT yang digunakan terdapat pada
Gambar 4.20
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
public double getDFTdb(List<Double> ArchList,int k)
{
int length = ArchList.size();
boolean flag = false;
if (length %2 ==1)
{
flag = true;
length = length+1;
}
double [] data = new double[length];
if(flag)
{
for (int i=0;i<length-1;i++)
{
data[i] = ArchList.get(i);
}
data[length-1] =0.0;
}
else
{
for (int i=0;i<length;i++)
{
data[i] = ArchList.get(i);
}
}
FourierTransform ft1 = new FourierTransform();
ft1.setFftData(data);
ft1.transform();
double val =0;
Complex [] hasil = ft1.getTransformedDataAsComplex();
for (int i=0;i<hasil.length;i++)
{
45
31Gambar 4.20 Metode DFT
f. Hitung Similaritas
Pengukuran similaritas antara vektor fitur citra query dengan vektor fitur
dataset, digunakan persamaan 2.10 Implementasi kode program pengukuran
similaritas terdapat pada Gambar 4.21
32Gambar 4.21 Metode Hitung Similaritas
4.1.9 Implementasi Webservice pada Webserver
Web service digunakan untuk memproses request dari smartphone yang
mengirimkan data berupa vektor fitur dari metode Modified MARCH yang
dijalankan pada smartphone. Operasi yang dijalankan pada web server adalah
menghitung jarak (implementasi persamaan 2.10) antara vektor fitur request yang
dikirim dari smartphone dengan vektor fitur yang terdapat pada database serta
mengirimkan hasil berupa sejumlah data pada dataset yang memiliki jarak
terdekat dengan vektor fitur request. implementasi kode program yang dijalankan
pada web server terdapat pada Gambar 2.22. Selain untuk implementasi web
service aplikasi berbasis Java pada server digunakan untuk pengujian dan
34
35
36
37
38
39
val += hasil[i].squareAbs();
}
val = val/hasil.length;
return val;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
public double getDiff2d(List<Double> alpha1,List<Double> alpha2,List<Double>
beta1,List<Double> beta2,List<Double> prop1,List<Double> prop2)
{
int kmin = alpha1.size()<alpha2.size()?alpha1.size():alpha2.size();
int k2min = beta1.size()<beta2.size()?beta1.size():beta2.size();
int k3max = prop1.size();
double jumlahAlpha=0;
double jumlahBeta=0;
double jumlahProp=0;
for(int l=0;l<kmin;l++)
{
jumlahAlpha += (Math.abs(alpha1.get(l)-alpha2.get(l)));
}
for(int m=0;m<k2min;m++)
{
jumlahBeta += (Math.abs(beta1.get(m)-beta2.get(m)));
}
for(int m=0;m<k3max;m++)
{
jumlahProp += (Math.abs(prop1.get(m)-prop2.get(m)));
}
return jumlahAlpha+(jumlahBeta)+(150* jumlahProp);
} }}
46
pengukuran nilai average precission. Implementasi aplikasi berbasis Java SE
terdapat pada Gambar 2.23
33Gambar 4.22 Implementasi Webservice pada Webserver
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
<?php
class ModMARCHController extends Controller
{
public function actionIndex()
{
$this->render('index');
}
public function actionGetresult()
{
$StringFitur =$_REQUEST['fitur'];
//"0.0,0.1,0.11,0.23,0.34|0.0,0.1,0.11,0.23,0.34";
$diff = [];
$diffreturn = [];
$i=0;
$start = microtime(true);
$LsVwFitur = VwVektorFitur::model()->findAll();
foreach($LsVwFitur as $fitur)
{
$diff[$i] = new Diff();
$diff[$i]->Spesies = $fitur->spesies;
$diff[$i]->filepath = $fitur->file_location;
$diff[$i]->gbrIdx = $fitur->gbr_daun_id;
$diff[$i]->webloc = $fitur->file_loc_web;
//perhitungan
$alphabeta1 = $this->getAlphaBeta($fitur->vektor_fitur);
$alpha1 = $this->toDouble($alphabeta1[0]);
$beta1 = $this->toDouble($alphabeta1[1]);
$alphabeta2 = $this->getAlphaBeta2($StringFitur);
$alpha2 = $this->toDouble($alphabeta2[0]);
$beta2 = $this->toDouble($alphabeta2[1]);
$diff[$i]->diff = $this->getDiff($alpha1, $beta1, $alpha2,
$beta2);
$i++;
}
usort($diff, array($this, "cmp"));
$time_elapsed_secs = microtime(true) - $start;
for($i=0;$i<10;$i++)
{
$diffreturn[$i] = $diff[$i];
$diffreturn[$i]->time = $time_elapsed_secs;
}
header('Content-type: application/json');
echo CJSON::encode($diffreturn);
Yii::app()->end();
}
47
34Gambar 4.23 Implementasi pada Aplikasi Desktop Server
4.1.10 Implementasi pada Smartphone
Implementasi metode Modified MARCH pada smartphone sama dengan
implementasi pada lingkungan Java, namun proses pada smartphone hanya
dilakukan ekstraksi fitur dari citra query. Pengukuran similiratias dengan vektor
fitur pada database dilakukan pada webserver melalui webservice. aplikasi
Modified MARCH pada smartphone mengirimkan request ke web server berupa
vektor fitur citra query, kemudian web server merespon dengan memberikan
beberapa data dari dataset yang memiliki vektor fitur dengan rangking similaritas
tertinggi, serta data waktu yang dibutuhkan untuk pengukuran similaritas pada sisi
server. Total waktu komputasi yang dibutuhkan metode Modified MARCH pada
smartphone adalah jumlah dari total waktu ekstraksi fitur citra query pada
smartphone ditambah dengan waktu yang dibutuhkan untuk pengukuran
similaritas pada sisi server. Screenshoot implementasi metode Modified MARCH
pada smartphone terdapat pada Gambar 4.25, sedangkan source code
implementasi mMARCH pada smartphone terdapat pada Gambar 4.24
48
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
protected List<Diff> MmarchOperation(String Path)
{
File gbrPath = new File(Path);
try {
ModMarchLib marchLib = new ModMarchLib();
double startTime = System.nanoTime();
// mmarch.operation(gbrPath.getAbsolutePath());
mmarch.Doperation(gbrPath.getAbsolutePath());
//mmarch.OriOperation(gbrPath.getAbsolutePath());
double endTime = System.nanoTime();
duration = (endTime - startTime);
duration = duration / 1000000;
alpha = mmarch.refDftAlpha;
beta = mmarch.refDftBeta;
prop = mmarch.AddedProp;
String fitur = marchLib.ListToString(alpha)+"_"+
marchLib.ListToString(beta)+"_"+marchLib.ListToString(prop)+"_1,1";
LongOperation Lo = new LongOperation(fitur);
String Respon = Lo.execute().get();
Gson gson = new Gson();
Type listType = new TypeToken<List<Diff>>(){}.getType();
List<Diff> posts = (List<Diff>)gson.fromJson(Respon, listType);
return posts;
} catch (IOException e) {
e.printStackTrace();
} catch (InterruptedException e) {
e.printStackTrace();
} catch (ExecutionException e) {
e.printStackTrace();
}
return null;
} protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.activity_result);
ListView LV = (ListView)findViewById(R.id.listView);
ListView list;
LazyAdapter adapter;
Bundle extras = getIntent().getExtras();
if (extras != null) {
Path = extras.getString("FILEPATH");
File imgFile = new File(Path);
//set image query
if(imgFile.exists()){
Toast.makeText(getBaseContext(), "Harap Tunggu Sedang Proses.",
Toast.LENGTH_LONG).show();
Bitmap myBitmap =
BitmapFactory.decodeFile(imgFile.getAbsolutePath());
ImageView myImage = (ImageView) findViewById(R.id.imageView);
myImage.setImageBitmap(myBitmap);
List<Diff> LD = MMARCHOperation(Path);
serverproses = LD.get(0).getTime();
List<String>values = new ArrayList<>();
String [] text = new String [LD.size()];
String [] weblocation = getUrl(LD,"http://10.0.2.2/");
int i=0;
for(Diff df: LD)
{
values.add(df.getSpesies()+"\n"+df.getWebloc());
text[i] = df.getSpesies();
i++;
}
list=(ListView)findViewById(R.id.listView);
adapter=new LazyAdapter(this, weblocation);
adapter.text1 = text;
list.setAdapter(adapter);
49
35Gambar 4.24 Kode Implementasi pada Smartphone
36Gambar 4.25 Implementasi pada Smartphone
72
73
74
75
76
77
78
79
80
81
TextView imgClose = (TextView)findViewById(R.id.resultext);
imgClose.setText(Path);
TextView exec = (TextView)findViewById(R.id.waktuekstraksi);
exec.setText("Waktu Ekstraksi :" +duration + "ms");
TextView execserver = (TextView)findViewById(R.id.proseserver);
execserver.setText("Proses Server :" +serverproses + "ms");
TextView exectotal = (TextView)findViewById(R.id.totalproses);
exectotal.setText(" Total Waktu Proses :" +(serverproses+duration) +
"ms");
}
}
}
50
51
BAB 5
HASIL PENELITIAN DAN PEMBAHASAN
Pada bab ini merupakan pembahasan hasil pengujian metode yang
dikembangkan pada penelitian ini. Dataset yang digunakan untuk uji coba adalah
dataset falvia. Secara garis besar pengujian skenario uji coba dibagi menjadi dua.
Pengujian pertama dilakukan untuk menilai akurasi dari metode Modified MARCH
dengan mendapatkan nilai MAP (Mean Average Precission). Selanjutnya,
Skenarion pengujian kedua dilakukan untuk menilai waktu komputasi yang
dibutuhkan metode Modified MARCH pada smartphone. Hasil evaluasi dari
metode yang diusulkan akan dibandingkan dengan metode sebelumnya.
5.1 Lingkungan Uji Coba
Dari dua jenis grais besar skenario uji coba, pengujian pertama dilakukan
pada komputer dengan spesifikasi prosesor Intel Core i3 dengan memori RAM
DDR III 4 GB dan sistem operasi Microsoft Windows 7. Aplikasi yang dibangun
berjalan di atas Java Runtime Standard Edition 7 dengan database menggunakan
MySQL dan library pengolah grafis OpenCV.
Lingkungan uji coba kedua ditujuakan untuk evaluasi waktu komputasi
pada smartphone, pada lingkungan ini digunakan Oracle Virtual Box untuk
menjalankan sistem operasi Android 4.0 (ice cream sandwich) dengan resource
memori sebesar 512 MB. Untuk impelementasi web service digunakan PHP 5.4 +
Yii Framework dan Apache webserver.
5.2 Karakteristik Data dan Skenario Uji Coba
Dataset Falvia terdiri dari 1907 gambar yang terdiri dari 32 spesies daun, tiap
spesies terdiri 50 hingga 77 gambar. Uji coba pada penelitian ini terdapat dua
sekenario. Skenario pertama untuk mengukur nialai MAP sedangkan skenario
kedua untuk mengukur waktu komputasi metode modified MARCH.
Skenario pengujian pertama dibagi menjadi dua cara pengujian. pengujian
pertama dataset dibagi menjadi dua bagian, tiap spesies diambil 40 data untuk
52
training dan sisanya untuk data testing. Pada cara ini dilakukan pengujian untuk
masing – masing hasil uji sebanyak 10, 15 dan 20 peringkat teratas.
Cara kedua pada skenario pertama menggunakan k-fold cross validation.
Pada cara ke dua ini tiap spesies diambil masing masing 50 citra sehingga total
citra pada dataset sejumlah 1600 citra. Dari sejumlah tersebut dibagi menjadi
sejumlah 5 buah kelas secara acak. Kemudian dilakukan sejumlah 5 kali
eksperimen, di mana masing-masing eksperimen menggunakan data kelas ke-k
sebagai data testing dan sisa kelas lainnya sebagai data training. Nilai MAP
didapatkan dari rata-rata nilai Average Precission yang didapatkan tiap query uji
coba.
Skenario uji coba kedua adalah pengukuran waktu komputasi pada
smartphone, pengukuran waktu komputasi dilakukan dengan mengabil nilai rata-
rata waktu komputasi query dari tiap spesies. Total waktu komputasi adalah waktu
ekstraksi (pada smartphone) ditambah dengan waktu pengukuran similarias vektor
fitur (pada server).
5.2.1 Hasil Uji Coba Skenario I
Hasil uji coba skenario I masing – masing untuk hasil teretrive sejumlah 10, 15
dan 20 result set. Total pengujian adalah sejumalah 627 x 6 (3762 kali pengujian)
terdapat pada Tabel 5.1 sedangkan grafik hasil pengujian terdapat pada Gambar
5.1, 5.2 dan 5.3. pada Tabel 5.1 ditampilkan nilai MAP untuk tiap spesies dalam
bentuk pembulatan 2 angka desimal.
2Tabel 5.1 Hasil Uji Coba Skenario I
No Spesies Jumlah
Data Uji
MMARCH (MAP) MARCH (MAP)
10 15 20 10 15 20
1 Acer buergerianum
Miq - trident maple
13 0.97 0.94 0.93 0.86 0.84 0.81
2 Acer Palmatum -
Japanese maple
16 0.84 0.83 0.82 0.77 0.69 0.65
3 Aesculus chinensis -
Chinese horse chestnut
23 0.63 0.60 0.56 0.51 0.48 0.45
4 Berberis anhweiensis
Ahrendt - Anhui
25 0.81 0.76 0.73 0.84 0.81 0.78
53
Barberry
5 Cedrus deodara
(Roxb.) G. Don -
deodar
37 0.76 0.76 0.76 0.98 0.98 0.98
6 Cercis chinensis -
Chinese redbud
32 0.96 0.94 0.90 0.88 0.85 0.83
7 Chimonanthus praecox
L. - wintersweet
12 0.70 0.67 0.65 0.59 0.58 0.55
8 Cinnamomum
camphora (L.) J. Presl
- camphortree
25 0.60 0.56 0.54 0.53 0.50 0.47
9 Cinnamomum
japonicum Sieb. -
Chinese cinnamon
15 0.52 0.51 0.48 0.31 0.32 0.31
10 Citrus reticulata
Blanco - tangerine
16 0.71 0.69 0.67 0.74 0.72 0.70
11 Ginkgo biloba L. -
ginkgo, maidenhair
tree
22 0.72 0.69 0.66 0.71 0.66 0.63
12 Ilex macrocarpa Oliv.
- Big-fruited Holly
10 0.85 0.82 0.79 0.60 0.47 0.42
13 Indigofera tinctoria L.
- Japanese maple
33 1.00 1.00 1.00 0.93 0.89 0.87
14 Kalopanax
septemlobus (Thunb.
ex A.Murr.) Koidz. -
castor aralia
12 0.89 0.89 0.88 0.82 0.79 0.77
15 Koelreuteria
paniculata Laxm. -
goldenrain tree
19 0.55 0.52 0.50 0.61 0.57 0.55
16 Lagerstroemia indica
(L.) Pers. - Crape
myrtle, Crepe myrtle
21 0.48 0.42 0.38 0.58 0.54 0.51
17 Ligustrum lucidum
Ait. f. - Glossy Privet
15 0.60 0.56 0.54 0.47 0.44 0.43
18 Liriodendron chinense
(Hemsl.) Sarg. -
Chinese tulip tree
13 0.80 0.75 0.72 0.92 0.88 0.83
19 Magnolia grandiflora
L - southern magnolia
17 0.67 0.63 0.60 0.74 0.68 0.63
54
20 Mahonia bealei
(Fortune) Carr -
Beales barberry
15 0.87 0.87 0.86 0.79 0.76 0.71
21 Manglietia fordiana
Oliv. - Ford
Woodlotus
12 0.87 0.85 0.81 0.70 0.66 0.63
22 Nerium oleander L. –
oleander
26 0.94 0.91 0.88 0.86 0.84 0.82
23 Osmanthus fragrans
Lour. - sweet
osmanthus
16 0.69 0.67 0.62 0.62 0.56 0.52
24 Phoebe nanmu (Oliv.)
Gamble - Nanmu
22 0.77 0.72 0.68 0.78 0.72 0.68
25 Phyllostachys edulis
(Carr.) Houz. -
pubescent bamboo
19 0.57 0.52 0.48 0.75 0.72 0.68
26 Pittosporum tobira
(Thunb.) Ait. f. -
Japanese cheesewood
23 0.72 0.67 0.65 0.68 0.64 0.61
27 Podocarpus
macrophyllus (Thunb.)
Sweet - yew plum pine
20 0.84 0.82 0.80 0.76 0.74 0.72
28 Populus canadensis
Moench - Canadian
poplar
24 0.89 0.89 0.87 0.81 0.75 0.72
29 Prunus persica (L.)
Batsch - peach
14 0.48 0.46 0.45 0.69 0.64 0.62
30 Prunus serrulata Lindl.
var. lannesiana auct. -
Japanese Flowering
Cherry
15 0.78 0.74 0.71 0.72 0.64 0.60
31 Tonna sinensis M.
Roem. - Chinese Toon
25 0.83 0.80 0.77 0.67 0.63 0.60
32 Viburnum awabuki
K.Koch - Japan
Arrowwood
20 0.66 0.61 0.58 0.79 0.77 0.77
Rata – Rata MAP
0.76 0.73 0.71 0.74 0.70 0.67
MMARCH : 0.73 MARCH :0.70
55
Dari hasil pengujian skenario I cara pertama didapatkan MAP untuk metode
Modifed MARCH untuk hasil pengujian 10,15 dan 20 peringkan teratas adalah
0.76, 0.73, 0.71 sedangkan metode MARCH 0.74, 0.70, 0.67 dari data tersebut
metode Modifed MARCH memiliki nilai MAP lebih tinggi dibanding metode
MARCH.
37Gambar 5.1 Grafik Hasil Uji Coba Skenario I (10 Peringkat Hasil)
38Gambar 5.2 Grafik Hasil Uji Coba Skenario I (15 Peringkat Hasil))
0
0.2
0.4
0.6
0.8
1
1.2
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
MAP
Spesies Ke-
MMARCH
MARCH
0
0.2
0.4
0.6
0.8
1
1.2
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
MAP
Spesies Ke-
MMARCH
MARCH
56
39Gambar 5.3 Grafik Hasil Uji Coba Skenario I (20 Peringkat Hasil))
Uji coba ke – II merupakan uji coba untuk mengukur nilai MAP dengan
menggunakan skenario I cara ke dua. hasil yang diapat pada ujicoba ke – II
terdapat pada Tabel 5.2.
3Tabel 5.2 Hasil Uji Coba Skenario I Cara II
Partisi ke MMARCH (MAP) MARCH (MAP)
1 0.71 0.68
2 0.76 0.70
3 0.75 0.68
4 0.73 0.69
5 0.75 0.70
Rata – Rata MAP 0.74 0.69
4
Dari uji coba kedua didapatkan rata – rata nilai MAP untuk MMARCH dibanding
MARCH adalah 0.74 : 0.69. dari pengujian kedua ini didapatkan nilai MAP untuk
metode MMARCH lebih tinggi dibanding metode MARCH.
5.2.2 Hasil Uji Coba Skenario II
Pengujian skenario II bertujuan untuk mengetahui waktu komputasi yang
dibutuhkan metode MARCH dan Modified MARCH pada smartphone. Pengujian
dilakukan sebanyak 32 kali (tiap sepesies satu kali pengujian). Hasil uji coba
0
0.2
0.4
0.6
0.8
1
1.2
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
MAP
Spesies Ke-
MMARCH
MARCH
57
skenario II terdapat pada Tabel 5.3. sedangkan grafik hasil pengujian terdapat
pada Gambar 5. 4.
5Tabel 5.3 Hasil Uji Coba Waktu Komputasi Pada Smartphone
No Spesies File Uji Waktu
Komputasi
MMARCH
(milisecond)
Waktu
Komputasi
MARCH
(milisecond)
1 Acer buergerianum Miq - trident maple 3317.png 597 1028
2 Acer Palmatum - Japanese maple 1273.png 502 1218
3 Aesculus chinensis - Chinese horse chestnut 1064.png 1077 871
4 Berberis anhweiensis Ahrendt - Anhui
Barberry
1557.png 731 660
5 Cedrus deodara (Roxb.) G. Don - deodar 2355.png 607 600
6 Cercis chinensis - Chinese redbud 1126.png 1435 900
7 Chimonanthus praecox L. - wintersweet 2158.png 1151 1109
8 Cinnamomum camphora (L.) J. Presl –
camphortree
2170.png 779 689
9 Cinnamomum japonicum Sieb. - Chinese
cinnamon
1522.png 956 858
10 Citrus reticulata Blanco - tangerine 3577.png 1520 947
11 Ginkgo biloba L. - ginkgo, maidenhair tree 2430.png 1203 959
12 Ilex macrocarpa Oliv. - Big-fruited Holly 2024.png 1237 784
13 Indigofera tinctoria L. - Japanese maple 1202.png 622 471
14 Kalopanax septemlobus (Thunb. ex A.Murr.)
Koidz. - castor aralia
1405.png 605 834
15 Koelreuteria paniculata Laxm. - goldenrain
tree
1449.png 697 566
16 Lagerstroemia indica (L.) Pers. - Crape
myrtle, Crepe myrtle
2499.png 1878 387
17 Ligustrum lucidum Ait. f. - Glossy Privet 3068.jpg 1503 1405
18 Liriodendron chinense (Hemsl.) Sarg. -
Chinese tulip tree
3528.png 1269 1300
19 Magnolia grandiflora L - southern magnolia 3406.png 1429 1024
58
40Gambar 5.4 Grafik Hasil Uji Coba Skenario II
0
200
400
600
800
1000
1200
1400
1600
1800
2000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
MMARCH
MARCH
20 Mahonia bealei (Fortune) Carr - Beales
barberry
3344.png 1055 1164
21 Manglietia fordiana Oliv. - Ford Woodlotus 3258.png 1414 931
22 Nerium oleander L. - oleander 2584.png 1050 837
23 Osmanthus fragrans Lour. - sweet
osmanthus
2306.png 1146 759
24 Phoebe nanmu (Oliv.) Gamble - Nanmu 1376.png 933 841
25 Phyllostachys edulis (Carr.) Houz. -
pubescent bamboo
1013.png 736 741
26 Pittosporum tobira (Thunb.) Ait. f. -
Japanese cheesewood
2057.png 994 828
27 Podocarpus macrophyllus (Thunb.) Sweet -
yew plum pine
2625.png 756 736
28 Populus canadensis Moench - Canadian
poplar
3462.png 1243 758
29 Prunus persica (L.) Batsch - peach 3197.png 1431 853
30 Prunus serrulata Lindl. var. lannesiana auct.
- Japanese Flowering Cherry
3016.png 981 914
31 Tonna sinensis M. Roem. - Chinese Toon 3125.png 886 712
32 Viburnum awabuki K.Koch - Japan
Arrowwood
2280.png 1506 984
Rata - Rata
1060.281 864.625
59
5.3 Analisa Hasil
Pada skenario uji coba skenario I cara satu didapatkan total nilai MAP
metode MMARCH dibandingkan dengan metode untuk pengujian MARCH adalah
0.73 : 0.70. Sedangkan perbandingan rata–rata MAP pada skenario I uji coba II
antara MMARCH dibanding MARCH adalah 0.74 : 0.69. dari kedua skenario uji
coba tersebut menunjukkan bahwa metode Modifed MARCH memiliki nilai MAP
lebih tinggi dibandingkan dengan metode MARCH.
Nilai MAP tertinggi metode MMARCH didapatkan dalam data uji spesies
daun Indigofera tinctoria L. - Japanese maple maple yaitu sebesar 100%. Hal ini
dikarenakan spesies tersebut memiliki kombinasi bentuk kontur daun dan tulang
daun yang relatif berebeda dibandingkan sepesies yang lain dalam dataset.
Nilai MAP tertinggi metode MARCH didapatkan dalam data uji spesies
daun Cedrus deodara (Roxb.) G. Don - deodar yaitu sebesar 0.98. Hal ini
dikarenakan spesies tersebut memiliki bentuk kontur daun yang berebeda
dibandingkan sepesies yang lain dalam dataset yaitu berbentuk jarum. Pada
metode MMARCH spesies daun Cedrus deodara (Roxb.) G. Don mendapatkan
nilai MAP 0.76 hal ini dikarenakan kerangka tulang daun Cedrus deodara (Roxb.)
G. Don yang berbentuk jarum juga dimiliki spesies lain pada dataset seperti
spesies Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine
41Gambar 5.5 Citra Indigofera tinctoria L. - Japanese maple, Cedrus deodara
(Roxb.) G. Don – deodar dan Podocarpus macrophyllus (Thunb.) Sweet - yew
plum pine
Nilai MAP terendah untuk metode MARCH terdapat pada spesies Daun
Cinnamomum japonicum Sieb. - Chinese cinnamon. Ligustrum lucidum Ait. f. -
Glossy Privet , Aesculus chinensis - Chinese horse chestnut. Dengan nilai MAP
untuk ujicoba I 10 hasil uji berturut – turut adalah 0.31, 0.47, 0.51. nilai MAP
60
pada metode MARCH yang rendah untuk beberapa jenis daun tersebut
dikarenakan daun tersebut memiliki bentuk kontur yang hamper sama. Dalam hal
ini dikarenakan basis metode MARCH adalah bentuk kontur daun.
Metode MMARCH memberikan kontribusi positif terhadap salah satu
kekurangan metode MARCH tersebut dengan penambahan fitur ruas tulang daun.
Pada metode MMARCH nilai MAP untuk ketiga jenis daun tersebut berturut turut
adalah 0.52, 0.60, 0.63.
42Gambar 5.6 Citra Daun Cinnamomum japonicum Sieb. - Chinese cinnamon,
Ligustrum lucidum Ait. f. - Glossy Privet , Aesculus chinensis - Chinese horse
chestnut
Dari skenario II pengujian didapatakan perbandingan rata – rata waktu
komputasi yang dibutuhkan untuk menjalankan metode MMARCH dibanding
MARCH adalah 1060 dibanding 864. Metode MMARCH memiliki waktu
komputasi yang sedikit lebih lama dibanding metode MARCH. hal ini dikarenakan
pada MMARCH terdapat penambahan metode untuk ekstraksi tulang daun. Selain
itu selisih waktu antara MARCH dengan MMARCH hanya 196 milisecond. Hal
ini dikarenakan selain penambahan fitur ruas tulang daun, pada metode MMARCH
menggunakan titik acuan pada kontur yang jauh lebih sedikit dibanding metode
MARCH. pada metode MMARCH jumlah titik acuan Arch Height yang digunakan
hanya berupa titik – titik pada ujung poligon convex hull sedangkan pada MARCH
menggunakan banyak titik acuan pada kontur.
61
BAB 6
KESIMPULAN DAN SARAN
Pada bab terakhir ini, ditarik beberapa kesimpulan yang didapat dari hasil
penelitian ini, juga saran yang dapat digunakan sebagai bahan pertimbangan untuk
pengembangan atau riset selanjutnya.
6.1 Kesimpulan
Berdasarkan aplikasi yang telah dibuat dan hasil yang didapat dari serangkaian
uji coba yang telah dilakukan, maka dapat ditarik beberapa kesimpulan atas
penelitian ini sebagai berikut :
1. Hasil uji coba menunjukkan metode Modified MARCH lebih unggul
dibanding metode MARCH dengan perbandingan rata – rata MAP
MMARCH dibanding MARCH untuk uji coba I adalah 0.73 : 070,
sedangkan untuk uji coba II adalah 0.74 : 069. hal ini membuktikan
bahwa penambahan fitur ruas tulang daun dapat memberikan kontribusi
yang positif terhadap proses temu kembali citra daun yang didasarkan
pada metode MARCH.
2. Perbandingan waktu komputasi yang dibutuhkan metode Modified
MARCH sedikit lebih lama dibanding metode MARCH, dengan
perbandingan 1060 : 864 milisecond
Dari kedua poin tersebut dapat ditarik kesimpulan bahwa untuk temu
kembali citra daun berbasis smartphone metode Modified lebih efektif
dibanding metode MARCH.
6.2 Saran
Dari penelitian yang telah dilakukan didapatkan bahwa metode Modified
MARCH walaupun memiliki nilai MAP lebih tinggi dibanding metode MARCH,
namun belum banyak menambah proses pengenalan daun dari sisi region intrinsik
daun dikarenakan metode MMARCH hanya mengambil fitur convex hull tulang
daun, oleh karena itu diperlukan penelitian lebih lanjut dengan mengambil fitur
62
intrinsik daun seperti tekstur daun dan dapat pula diterapkan proses clustering
untuk menambah akurasi.
67
LAMPIRAN
A. Hasil Uji Coba Sekenario I (MMARCH 15 Peringkat Hasil)
Nama Spesies File Uji v Index v Precission v Average
Precission
Ilex macrocarpa Oliv. - Big-fruited Holly 2044.png 7 1,3,4,6,7,8,9, 1.00,0.67,0.75,0.67,0.71,0.75,0.78, 0.760771
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2513.png 2 1,5,
1.00,0.40, 0.7
Osmanthus fragrans Lour. - sweet osmanthus 2340.png 4 1,4,5,8, 1.00,0.50,0.60,0.50, 0.65
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2061.png 0
0
Cinnamomum camphora (L.) J. Presl - camphortree 2193.png 7 1,2,3,4,5,6,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.70, 0.957143
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2642.png 9 1,2,3,4,5,6,7,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1011.png 2 4,7, 0.25,0.29, 0.267857
Viburnum awabuki K.Koch - Japan Arrowwood 2260.png 0
0
Ilex macrocarpa Oliv. - Big-fruited Holly 2014.png 8 1,3,4,5,6,7,9,10, 1.00,0.67,0.75,0.80,0.83,0.86,0.78,0.80, 0.810615
Acer Palmatum - Japanese maple 1323.png 9 1,3,4,5,6,7,8,9,10, 1.00,0.67,0.75,0.80,0.83,0.86,0.88,0.89,0.90, 0.841226
Ligustrum lucidum Ait. f. - Glossy Privet 3086.png 0
0
Prunus persica (L.) Batsch - peach 3209.png 5 2,3,6,7,8, 0.50,0.67,0.50,0.57,0.63, 0.572619
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2521.png 3 1,3,7, 1.00,0.67,0.43, 0.698413
Ligustrum lucidum Ait. f. - Glossy Privet 3107.png 1 2, 0.50, 0.5
Cinnamomum japonicum Sieb. - Chinese cinnamon 1508.png 3 1,3,5, 1.00,0.67,0.60, 0.755556
Berberis anhweiensis Ahrendt - Anhui Barberry 1592.png 6 1,2,3,4,5,6, 1.00,1.00,1.00,1.00,1.00,1.00, 1
Osmanthus fragrans Lour. - sweet osmanthus 2345.png 2 2,8, 0.50,0.25, 0.375
Acer Palmatum - Japanese maple 1273.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ilex macrocarpa Oliv. - Big-fruited Holly 2021.png 1 8, 0.13, 0.125
Koelreuteria paniculata Laxm. - goldenrain tree 1462.png 5 1,2,3,4,5, 1.00,1.00,1.00,1.00,1.00, 1
Berberis anhweiensis Ahrendt - Anhui Barberry 1604.png 8 1,2,3,4,5,6,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.78,0.80, 0.947222
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3054.png 6 1,2,4,5,7,10, 1.00,1.00,0.75,0.80,0.71,0.60, 0.810714
Citrus reticulata Blanco - tangerine 3600.png 4 1,3,4,6, 1.00,0.67,0.75,0.67, 0.770833
Acer buergerianum Miq - trident maple 3292.png 7 2,3,5,6,8,9,10, 0.50,0.67,0.60,0.67,0.63,0.67,0.70, 0.632143
Populus canadensis Moench - Canadian poplar 3468.png 9 1,2,3,4,5,6,7,8,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.90, 0.988889
Cinnamomum camphora (L.) J. Presl - camphortree 2171.png 4 2,4,5,10, 0.50,0.50,0.60,0.40, 0.5
Mahonia bealei (Fortune) Carr - Beales barberry 3353.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
68
Osmanthus fragrans Lour. - sweet osmanthus 2331.png 6 1,3,5,7,9,10, 1.00,0.67,0.60,0.57,0.56,0.60, 0.665608
Citrus reticulata Blanco - tangerine 3614.png 8 1,2,3,4,5,7,8,10, 1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.80, 0.941518
Acer buergerianum Miq - trident maple 3289.png 9 1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1050.png 6 1,2,3,4,5,8, 1.00,1.00,1.00,1.00,1.00,0.75, 0.958333
Cedrus deodara (Roxb.) G. Don - deodar 2393.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ginkgo biloba L. - ginkgo, maidenhair tree 2454.png 8 1,2,3,4,5,6,7,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.80, 0.975
Cercis chinensis - Chinese redbud 1128.png 8 1,2,3,4,6,7,9,10, 1.00,1.00,1.00,1.00,0.83,0.86,0.78,0.80, 0.908532
Mahonia bealei (Fortune) Carr - Beales barberry 3341.png 2 1,2, 1.00,1.00, 1
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1425.png 0
0
Prunus persica (L.) Batsch - peach 3201.png 7 1,2,3,4,5,6,9, 1.00,1.00,1.00,1.00,1.00,1.00,0.78, 0.968254
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2663.png 8 1,2,3,6,7,8,9,10, 1.00,1.00,1.00,0.67,0.71,0.75,0.78,0.80, 0.838591
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3546.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Aesculus chinensis - Chinese horse chestnut 1071.png 6 1,2,3,4,5,6, 1.00,1.00,1.00,1.00,1.00,1.00, 1
Cedrus deodara (Roxb.) G. Don - deodar 2414.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Koelreuteria paniculata Laxm. - goldenrain tree 1477.png 5 1,2,3,4,5, 1.00,1.00,1.00,1.00,1.00, 1
Koelreuteria paniculata Laxm. - goldenrain tree 1452.png 6 1,2,3,4,7,8, 1.00,1.00,1.00,1.00,0.71,0.75, 0.910714
Cedrus deodara (Roxb.) G. Don - deodar 2390.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Viburnum awabuki K.Koch - Japan Arrowwood 2273.png 7 1,2,3,4,5,6,9, 1.00,1.00,1.00,1.00,1.00,1.00,0.78, 0.968254
Osmanthus fragrans Lour. - sweet osmanthus 2332.png 4 1,2,3,9, 1.00,1.00,1.00,0.44, 0.861111
Koelreuteria paniculata Laxm. - goldenrain tree 1470.png 1 7, 0.14, 0.142857
Chimonanthus praecox L. - wintersweet 2160.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Aesculus chinensis - Chinese horse chestnut 1102.png 7 1,2,3,4,5,8,9, 1.00,1.00,1.00,1.00,1.00,0.75,0.78, 0.93254
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3562.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phoebe nanmu (Oliv.) Gamble - Nanmu 1365.png 3 5,6,8, 0.20,0.33,0.38, 0.302778
Osmanthus fragrans Lour. - sweet osmanthus 2343.png 0
0
Manglietia fordiana Oliv. - Ford Woodlotus 3247.png 7 1,2,3,5,6,7,8, 1.00,1.00,1.00,0.80,0.83,0.86,0.88, 0.909354
Citrus reticulata Blanco - tangerine 3602.png 6 1,2,3,5,6,7, 1.00,1.00,1.00,0.80,0.83,0.86, 0.915079
Koelreuteria paniculata Laxm. - goldenrain tree 1467.png 7 1,2,3,7,8,9,10, 1.00,1.00,1.00,0.57,0.63,0.67,0.70, 0.794728
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2633.png 5 1,2,3,4,5, 1.00,1.00,1.00,1.00,1.00, 1
Nerium oleander L. - oleander 2608.png 7 1,2,3,4,7,9,10, 1.00,1.00,1.00,1.00,0.71,0.67,0.70, 0.868707
Acer Palmatum - Japanese maple 1270.png 0
0
Phoebe nanmu (Oliv.) Gamble - Nanmu 1346.png 3 4,6,7, 0.25,0.33,0.43, 0.337302
Osmanthus fragrans Lour. - sweet osmanthus 2334.png 5 2,4,5,7,10, 0.50,0.50,0.60,0.57,0.50, 0.534286
Populus canadensis Moench - Canadian poplar 3505.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
69
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1429.png 7 1,2,3,5,6,7,9, 1.00,1.00,1.00,0.80,0.83,0.86,0.78, 0.895465
Citrus reticulata Blanco - tangerine 3581.png 5 1,2,3,6,7, 1.00,1.00,1.00,0.67,0.71, 0.87619
Nerium oleander L. - oleander 2550.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2103.png 7 1,2,3,4,5,7,10, 1.00,1.00,1.00,1.00,1.00,0.86,0.70, 0.936735
Chimonanthus praecox L. - wintersweet 2127.png 7 1,2,3,5,6,7,8, 1.00,1.00,1.00,0.80,0.83,0.86,0.88, 0.909354
Berberis anhweiensis Ahrendt - Anhui Barberry 1586.png 4 1,2,4,7, 1.00,1.00,0.75,0.57, 0.830357
Nerium oleander L. - oleander 2556.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Citrus reticulata Blanco - tangerine 3601.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phoebe nanmu (Oliv.) Gamble - Nanmu 1378.png 9 1,2,3,4,5,6,7,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543
Cinnamomum camphora (L.) J. Presl - camphortree 2194.png 4 6,7,8,10, 0.17,0.29,0.38,0.40, 0.306845
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1012.png 6 1,2,3,4,5,8, 1.00,1.00,1.00,1.00,1.00,0.75, 0.958333
Berberis anhweiensis Ahrendt - Anhui Barberry 1555.png 3 3,4,5, 0.33,0.50,0.60, 0.477778
Ligustrum lucidum Ait. f. - Glossy Privet 3073.png 5 1,4,5,7,9, 1.00,0.50,0.60,0.57,0.56, 0.645397
Koelreuteria paniculata Laxm. - goldenrain tree 1438.png 2 7,10, 0.14,0.20, 0.171429
Berberis anhweiensis Ahrendt - Anhui Barberry 1556.png 8 2,3,4,5,6,7,8,10, 0.50,0.67,0.75,0.80,0.83,0.86,0.88,0.80, 0.760268
Cercis chinensis - Chinese redbud 1151.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Viburnum awabuki K.Koch - Japan Arrowwood 2249.png 0
0
Ilex macrocarpa Oliv. - Big-fruited Holly 2045.png 3 6,8,10, 0.17,0.25,0.30, 0.238889
Ginkgo biloba L. - ginkgo, maidenhair tree 2443.png 7 1,2,3,4,6,8,10, 1.00,1.00,1.00,1.00,0.83,0.75,0.70, 0.897619
Magnolia grandiflora L - southern magnolia 3410.png 9 1,2,3,4,5,6,7,8,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.90, 0.988889
Magnolia grandiflora L - southern magnolia 3399.png 3 1,5,9, 1.00,0.40,0.33, 0.577778
Tonna sinensis M. Roem. - Chinese Toon 3157.png 8 1,2,3,4,5,6,8,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.80, 0.959375
Mahonia bealei (Fortune) Carr - Beales barberry 3385.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Aesculus chinensis - Chinese horse chestnut 1064.png 8 1,2,3,4,5,6,7,8, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Cedrus deodara (Roxb.) G. Don - deodar 2371.png 0
0
Ligustrum lucidum Ait. f. - Glossy Privet 3060.png 1 1, 1.00, 1
Nerium oleander L. - oleander 2582.png 8 1,3,4,5,7,8,9,10, 1.00,0.67,0.75,0.80,0.71,0.75,0.78,0.80, 0.782341
Ginkgo biloba L. - ginkgo, maidenhair tree 2445.png 7 1,2,3,5,8,9,10, 1.00,1.00,1.00,0.80,0.63,0.67,0.70, 0.827381
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2658.png 7 1,2,4,5,6,8,10, 1.00,1.00,0.75,0.80,0.83,0.75,0.70, 0.833333
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3028.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Magnolia grandiflora L - southern magnolia 3427.png 6 1,2,3,4,5,7, 1.00,1.00,1.00,1.00,1.00,0.86, 0.97619
Tonna sinensis M. Roem. - Chinese Toon 3140.png 8 1,2,4,6,7,8,9,10, 1.00,1.00,0.75,0.67,0.71,0.75,0.78,0.80, 0.807341
Mahonia bealei (Fortune) Carr - 3364.png 2 2,8, 0.50,0.25, 0.375
70
Beales barberry
Manglietia fordiana Oliv. - Ford Woodlotus 3242.png 7 1,2,3,5,7,8,10, 1.00,1.00,1.00,0.80,0.71,0.75,0.70, 0.852041
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2490.png 6 1,2,3,5,6,8, 1.00,1.00,1.00,0.80,0.83,0.75, 0.897222
Cedrus deodara (Roxb.) G. Don - deodar 2397.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ginkgo biloba L. - ginkgo, maidenhair tree 2438.png 6 1,2,3,8,9,10, 1.00,1.00,1.00,0.50,0.56,0.60, 0.775926
Osmanthus fragrans Lour. - sweet osmanthus 2323.png 5 1,2,4,7,9, 1.00,1.00,0.75,0.57,0.56, 0.775397
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3526.png 4 1,2,5,6, 1.00,1.00,0.60,0.67, 0.816667
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2099.png 8 1,2,3,4,5,7,9,10, 1.00,1.00,1.00,1.00,1.00,0.86,0.78,0.80, 0.929365
Chimonanthus praecox L. - wintersweet 2164.png 0
0
Viburnum awabuki K.Koch - Japan Arrowwood 2287.png 8 1,2,3,5,6,7,8,10, 1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.80, 0.895685
Osmanthus fragrans Lour. - sweet osmanthus 2319.png 3 1,2,8, 1.00,1.00,0.38, 0.791667
Viburnum awabuki K.Koch - Japan Arrowwood 2259.png 7 1,2,3,4,5,6,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.70, 0.957143
Cinnamomum japonicum Sieb. - Chinese cinnamon 1502.png 1 8, 0.13, 0.125
Prunus persica (L.) Batsch - peach 3210.png 3 2,6,7, 0.50,0.33,0.43, 0.420635
Phoebe nanmu (Oliv.) Gamble - Nanmu 1377.png 8 1,2,3,4,5,6,8,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.80, 0.959375
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3515.png 6 1,2,5,7,9,10, 1.00,1.00,0.60,0.57,0.56,0.60, 0.721164
Cercis chinensis - Chinese redbud 1125.png 9 1,2,3,4,5,6,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3514.png 2 2,4, 0.50,0.50, 0.5
Aesculus chinensis - Chinese horse chestnut 1119.png 2 1,7, 1.00,0.29, 0.642857
Mahonia bealei (Fortune) Carr - Beales barberry 3382.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Citrus reticulata Blanco - tangerine 3593.png 8 1,2,3,4,5,6,7,9, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89, 0.986111
Viburnum awabuki K.Koch - Japan Arrowwood 2274.png 6 1,3,5,6,7,10, 1.00,0.67,0.60,0.67,0.71,0.60, 0.707937
Mahonia bealei (Fortune) Carr - Beales barberry 3381.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ilex macrocarpa Oliv. - Big-fruited Holly 2035.png 7 1,2,3,4,5,8,9, 1.00,1.00,1.00,1.00,1.00,0.75,0.78, 0.93254
Cedrus deodara (Roxb.) G. Don - deodar 2381.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1018.png 4 1,3,4,6, 1.00,0.67,0.75,0.67, 0.770833
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2532.png 6 2,4,5,6,7,8, 0.50,0.50,0.60,0.67,0.71,0.75, 0.621825
Cercis chinensis - Chinese redbud 1141.png 8 1,2,4,5,6,8,9,10, 1.00,1.00,0.75,0.80,0.83,0.75,0.78,0.80, 0.838889
Mahonia bealei (Fortune) Carr - Beales barberry 3389.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Indigofera tinctoria L. - Japanese maple 1242.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ginkgo biloba L. - ginkgo, maidenhair tree 2424.png 4 1,2,3,6, 1.00,1.00,1.00,0.67, 0.916667
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1046.png 3 1,2,3, 1.00,1.00,1.00, 1
Aesculus chinensis - Chinese horse chestnut 1066.png 2 5,7, 0.20,0.29, 0.242857
Prunus serrulata Lindl. var. 3005.png 9 1,2,3,4,5,6,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.9 0.962654
71
lannesiana auct. - Japanese Flowering Cherry
0,
Tonna sinensis M. Roem. - Chinese Toon 3166.png 5 1,6,7,8,10, 1.00,0.33,0.43,0.50,0.50, 0.552381
Phoebe nanmu (Oliv.) Gamble - Nanmu 1338.png 5 1,3,5,6,10, 1.00,0.67,0.60,0.67,0.50, 0.686667
Aesculus chinensis - Chinese horse chestnut 1114.png 7 1,2,3,4,5,6,7, 1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Viburnum awabuki K.Koch - Japan Arrowwood 2284.png 2 5,8, 0.20,0.25, 0.225
Mahonia bealei (Fortune) Carr - Beales barberry 3346.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Berberis anhweiensis Ahrendt - Anhui Barberry 1587.png 7 1,2,3,4,6,7,10, 1.00,1.00,1.00,1.00,0.83,0.86,0.70, 0.912925
Ligustrum lucidum Ait. f. - Glossy Privet 3096.png 0
0
Osmanthus fragrans Lour. - sweet osmanthus 2305.png 6 2,3,4,6,7,9, 0.50,0.67,0.75,0.67,0.71,0.67, 0.660714
Citrus reticulata Blanco - tangerine 3618.png 8 1,2,3,4,6,7,8,10, 1.00,1.00,1.00,1.00,0.83,0.86,0.88,0.80, 0.920685
Populus canadensis Moench - Canadian poplar 3487.png 9 1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2094.png 6 1,2,3,8,9,10, 1.00,1.00,1.00,0.50,0.56,0.60, 0.775926
Mahonia bealei (Fortune) Carr - Beales barberry 3372.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1400.png 8 1,3,4,5,7,8,9,10, 1.00,0.67,0.75,0.80,0.71,0.75,0.78,0.80, 0.782341
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2517.png 4 1,4,7,10, 1.00,0.50,0.43,0.40, 0.582143
Nerium oleander L. - oleander 2570.png 7 1,2,3,4,7,8,10, 1.00,1.00,1.00,1.00,0.71,0.75,0.70, 0.880612
Populus canadensis Moench - Canadian poplar 3464.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Berberis anhweiensis Ahrendt - Anhui Barberry 1589.png 8 1,2,3,4,5,6,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.78,0.80, 0.947222
Cercis chinensis - Chinese redbud 1124.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Koelreuteria paniculata Laxm. - goldenrain tree 1449.png 5 1,3,4,5,8, 1.00,0.67,0.75,0.80,0.63, 0.768333
Ilex macrocarpa Oliv. - Big-fruited Holly 2025.png 9 1,2,3,4,5,6,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654
Cinnamomum camphora (L.) J. Presl - camphortree 2224.png 5 1,2,3,4,9, 1.00,1.00,1.00,1.00,0.56, 0.911111
Ginkgo biloba L. - ginkgo, maidenhair tree 2483.png 5 1,3,7,8,10, 1.00,0.67,0.43,0.50,0.50, 0.619048
Acer Palmatum - Japanese maple 1307.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Berberis anhweiensis Ahrendt - Anhui Barberry 1570.png 7 1,2,4,5,7,9,10, 1.00,1.00,0.75,0.80,0.71,0.67,0.70, 0.804422
Berberis anhweiensis Ahrendt - Anhui Barberry 1568.png 7 1,3,4,5,7,8,10, 1.00,0.67,0.75,0.80,0.71,0.75,0.70, 0.768707
Berberis anhweiensis Ahrendt - Anhui Barberry 1558.png 9 1,2,3,4,5,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89,0.90, 0.946781
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1417.png 0
0
Manglietia fordiana Oliv. - Ford Woodlotus 3244.png 9 1,2,3,4,5,6,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654
Viburnum awabuki K.Koch - Japan Arrowwood 2239.png 1 1, 1.00, 1
Cinnamomum camphora (L.) J. Presl - camphortree 2180.png 1 8, 0.13, 0.125
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1386.png 0
0
Cinnamomum camphora (L.) J. Presl - camphortree 2199.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
72
Koelreuteria paniculata Laxm. - goldenrain tree 1458.png 0
0
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1006.png 3 2,6,7, 0.50,0.33,0.43, 0.420635
Citrus reticulata Blanco - tangerine 3605.png 2 1,5, 1.00,0.40, 0.7
Populus canadensis Moench - Canadian poplar 3501.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2074.png 4 1,2,6,8, 1.00,1.00,0.50,0.50, 0.75
Cedrus deodara (Roxb.) G. Don - deodar 2404.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phoebe nanmu (Oliv.) Gamble - Nanmu 1332.png 4 1,2,3,4, 1.00,1.00,1.00,1.00, 1
Ligustrum lucidum Ait. f. - Glossy Privet 3109.png 6 1,2,3,5,6,8, 1.00,1.00,1.00,0.80,0.83,0.75, 0.897222
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1394.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Magnolia grandiflora L - southern magnolia 3420.png 8 1,2,3,4,5,6,7,9, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89, 0.986111
Indigofera tinctoria L. - Japanese maple 1225.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Aesculus chinensis - Chinese horse chestnut 1086.png 5 1,3,5,8,9, 1.00,0.67,0.60,0.50,0.56, 0.664444
Manglietia fordiana Oliv. - Ford Woodlotus 3230.png 6 1,2,3,4,5,6, 1.00,1.00,1.00,1.00,1.00,1.00, 1
Cinnamomum japonicum Sieb. - Chinese cinnamon 1545.png 3 1,4,10, 1.00,0.50,0.30, 0.6
Aesculus chinensis - Chinese horse chestnut 1079.png 5 1,2,4,8,10, 1.00,1.00,0.75,0.50,0.50, 0.75
Koelreuteria paniculata Laxm. - goldenrain tree 1457.png 5 1,2,3,4,8, 1.00,1.00,1.00,1.00,0.63, 0.925
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3015.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2666.png 9 1,2,3,4,5,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89,0.90, 0.946781
Berberis anhweiensis Ahrendt - Anhui Barberry 1565.png 3 2,3,7, 0.50,0.67,0.43, 0.531746
Cinnamomum camphora (L.) J. Presl - camphortree 2220.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2098.png 8 1,2,3,4,5,7,8,9, 1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89, 0.952629
Populus canadensis Moench - Canadian poplar 3490.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Manglietia fordiana Oliv. - Ford Woodlotus 3265.png 3 1,3,8, 1.00,0.67,0.38, 0.680556
Cinnamomum japonicum Sieb. - Chinese cinnamon 1531.png 4 1,5,7,8, 1.00,0.40,0.43,0.50, 0.582143
Cedrus deodara (Roxb.) G. Don - deodar 2389.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Aesculus chinensis - Chinese horse chestnut 1107.png 9 1,2,3,4,5,6,7,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543
Magnolia grandiflora L - southern magnolia 3432.png 3 2,5,10, 0.50,0.40,0.30, 0.4
Manglietia fordiana Oliv. - Ford Woodlotus 3277.png 9 1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1052.png 4 1,3,8,10, 1.00,0.67,0.38,0.40, 0.610417
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1401.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Cedrus deodara (Roxb.) G. Don - deodar 2370.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2543.png 0
0
73
Acer Palmatum - Japanese maple 1287.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Tonna sinensis M. Roem. - Chinese Toon 3147.png 2 2,5, 0.50,0.40, 0.45
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1413.png 0
0
Cinnamomum camphora (L.) J. Presl - camphortree 2204.png 5 1,3,4,6,9, 1.00,0.67,0.75,0.67,0.56, 0.727778
Indigofera tinctoria L. - Japanese maple 1201.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3033.png 8 1,2,3,4,5,7,9,10, 1.00,1.00,1.00,1.00,1.00,0.86,0.78,0.80, 0.929365
Viburnum awabuki K.Koch - Japan Arrowwood 2280.png 6 2,5,6,7,9,10, 0.50,0.40,0.50,0.57,0.56,0.60, 0.521164
Ligustrum lucidum Ait. f. - Glossy Privet 3094.png 0
0
Nerium oleander L. - oleander 2585.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Osmanthus fragrans Lour. - sweet osmanthus 2325.png 5 2,4,5,6,9, 0.50,0.50,0.60,0.67,0.56, 0.564444
Cercis chinensis - Chinese redbud 1177.png 9 1,2,3,4,5,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89,0.90, 0.946781
Phoebe nanmu (Oliv.) Gamble - Nanmu 1375.png 7 1,2,3,4,5,8,10, 1.00,1.00,1.00,1.00,1.00,0.75,0.70, 0.921429
Magnolia grandiflora L - southern magnolia 3429.png 8 1,2,3,4,5,6,7,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.80, 0.975
Chimonanthus praecox L. - wintersweet 2163.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Cedrus deodara (Roxb.) G. Don - deodar 2382.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1040.png 5 1,2,5,8,10, 1.00,1.00,0.60,0.50,0.50, 0.72
Ligustrum lucidum Ait. f. - Glossy Privet 3108.png 6 1,3,4,5,6,8, 1.00,0.67,0.75,0.80,0.83,0.75, 0.8
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2500.png 3 2,6,9, 0.50,0.33,0.33, 0.388889
Prunus persica (L.) Batsch - peach 3199.png 1 10, 0.10, 0.1
Populus canadensis Moench - Canadian poplar 3454.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Osmanthus fragrans Lour. - sweet osmanthus 2338.png 7 1,2,3,4,5,7,8, 1.00,1.00,1.00,1.00,1.00,0.86,0.88, 0.961735
Populus canadensis Moench - Canadian poplar 3498.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2060.png 3 1,3,4, 1.00,0.67,0.75, 0.805556
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2536.png 1 1, 1.00, 1
Cinnamomum japonicum Sieb. - Chinese cinnamon 1519.png 3 2,7,9, 0.50,0.29,0.33, 0.373016
Manglietia fordiana Oliv. - Ford Woodlotus 3239.png 8 1,2,3,4,5,7,8,9, 1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89, 0.952629
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1024.png 2 1,7, 1.00,0.29, 0.642857
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2537.png 5 1,3,4,5,8, 1.00,0.67,0.75,0.80,0.63, 0.768333
Aesculus chinensis - Chinese horse chestnut 1081.png 9 1,2,3,4,6,7,8,9,10,
1.00,1.00,1.00,1.00,0.83,0.86,0.88,0.89,0.90, 0.928263
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3549.png 5 2,3,4,7,10, 0.50,0.67,0.75,0.57,0.50, 0.597619
Viburnum awabuki K.Koch - Japan Arrowwood 2262.png 5 1,2,3,7,8, 1.00,1.00,1.00,0.57,0.63, 0.839286
Phoebe nanmu (Oliv.) Gamble - Nanmu 1359.png 0
0
74
Phoebe nanmu (Oliv.) Gamble - Nanmu 1343.png 7 1,3,4,5,7,9,10, 1.00,0.67,0.75,0.80,0.71,0.67,0.70, 0.756803
Populus canadensis Moench - Canadian poplar 3496.png 9 1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3030.png 3 1,2,10, 1.00,1.00,0.30, 0.766667
Indigofera tinctoria L. - Japanese maple 1226.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Nerium oleander L. - oleander 2604.png 9 1,2,3,4,5,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89,0.90, 0.946781
Berberis anhweiensis Ahrendt - Anhui Barberry 1576.png 9 1,3,4,5,6,7,8,9,10,
1.00,0.67,0.75,0.80,0.83,0.86,0.88,0.89,0.90, 0.841226
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1406.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Acer buergerianum Miq - trident maple 3283.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Citrus reticulata Blanco - tangerine 3604.png 9 1,2,3,4,5,6,7,8,9, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Chimonanthus praecox L. - wintersweet 2121.png 7 1,3,4,5,6,7,9, 1.00,0.67,0.75,0.80,0.83,0.86,0.78, 0.812132
Mahonia bealei (Fortune) Carr - Beales barberry 3367.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2104.png 0
0
Acer buergerianum Miq - trident maple 3311.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Tonna sinensis M. Roem. - Chinese Toon 3158.png 9 1,2,3,4,5,6,7,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543
Populus canadensis Moench - Canadian poplar 3463.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Acer Palmatum - Japanese maple 1304.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ilex macrocarpa Oliv. - Big-fruited Holly 2031.png 7 1,3,4,5,6,7,9, 1.00,0.67,0.75,0.80,0.83,0.86,0.78, 0.812132
Acer buergerianum Miq - trident maple 3332.png 2 1,8, 1.00,0.25, 0.625
Osmanthus fragrans Lour. - sweet osmanthus 2333.png 4 1,5,8,10, 1.00,0.40,0.38,0.40, 0.54375
Cedrus deodara (Roxb.) G. Don - deodar 2374.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ilex macrocarpa Oliv. - Big-fruited Holly 2037.png 8 2,3,4,5,6,7,8,10, 0.50,0.67,0.75,0.80,0.83,0.86,0.88,0.80, 0.760268
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1051.png 5 1,2,4,6,7, 1.00,1.00,0.75,0.67,0.71, 0.82619
Indigofera tinctoria L. - Japanese maple 1211.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Acer Palmatum - Japanese maple 1303.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Acer buergerianum Miq - trident maple 3315.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Nerium oleander L. - oleander 2566.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ilex macrocarpa Oliv. - Big-fruited Holly 2023.png 8 2,3,4,5,7,8,9,10, 0.50,0.67,0.75,0.80,0.71,0.75,0.78,0.80, 0.719841
Cedrus deodara (Roxb.) G. Don - deodar 2418.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2524.png 3 2,5,9, 0.50,0.40,0.33, 0.411111
Phoebe nanmu (Oliv.) Gamble - Nanmu 1355.png 4 1,2,5,7, 1.00,1.00,0.60,0.57, 0.792857
Populus canadensis Moench - Canadian poplar 3481.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Manglietia fordiana Oliv. - Ford Woodlotus 3237.png 9 1,2,3,4,5,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89,0.90, 0.946781
75
Populus canadensis Moench - Canadian poplar 3476.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Cercis chinensis - Chinese redbud 1180.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Nerium oleander L. - oleander 2606.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Osmanthus fragrans Lour. - sweet osmanthus 2339.png 2 1,4, 1.00,0.50, 0.75
Tonna sinensis M. Roem. - Chinese Toon 3119.png 8 1,2,4,5,6,7,8,10, 1.00,1.00,0.75,0.80,0.83,0.86,0.88,0.80, 0.864435
Ligustrum lucidum Ait. f. - Glossy Privet 3100.png 3 2,3,5, 0.50,0.67,0.60, 0.588889
Tonna sinensis M. Roem. - Chinese Toon 3141.png 5 1,2,3,9,10, 1.00,1.00,1.00,0.44,0.50, 0.788889
Ginkgo biloba L. - ginkgo, maidenhair tree 2463.png 9 1,2,3,4,5,6,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654
Acer buergerianum Miq - trident maple 3304.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2627.png 8 1,3,4,5,6,7,9,10, 1.00,0.67,0.75,0.80,0.83,0.86,0.78,0.80, 0.810615
Manglietia fordiana Oliv. - Ford Woodlotus 3279.png 3 3,4,7, 0.33,0.50,0.43, 0.420635
Cinnamomum camphora (L.) J. Presl - camphortree 2181.png 0
0
Osmanthus fragrans Lour. - sweet osmanthus 2309.png 4 1,2,4,6, 1.00,1.00,0.75,0.67, 0.854167
Ginkgo biloba L. - ginkgo, maidenhair tree 2426.png 3 1,2,3, 1.00,1.00,1.00, 1
Cercis chinensis - Chinese redbud 1155.png 9 1,2,4,5,6,7,8,9,10, 1.00,1.00,0.75,0.80,0.83,0.86,0.88,0.89,0.90, 0.878263
Tonna sinensis M. Roem. - Chinese Toon 3132.png 9 1,2,3,5,6,7,8,9,10,
1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.89,0.90, 0.906041
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2664.png 6 1,2,3,5,6,9, 1.00,1.00,1.00,0.80,0.83,0.67, 0.883333
Tonna sinensis M. Roem. - Chinese Toon 3150.png 2 2,6, 0.50,0.33, 0.416667
Cercis chinensis - Chinese redbud 1144.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Chimonanthus praecox L. - wintersweet 2130.png 8 1,2,3,4,5,8,9,10, 1.00,1.00,1.00,1.00,1.00,0.75,0.78,0.80, 0.915972
Ginkgo biloba L. - ginkgo, maidenhair tree 2432.png 0
0
Ligustrum lucidum Ait. f. - Glossy Privet 3085.png 6 1,2,3,6,7,10, 1.00,1.00,1.00,0.67,0.71,0.60, 0.830159
Koelreuteria paniculata Laxm. - goldenrain tree 1450.png 0
0
Tonna sinensis M. Roem. - Chinese Toon 3143.png 8 1,2,3,4,6,7,8,9, 1.00,1.00,1.00,1.00,0.83,0.86,0.88,0.89, 0.931796
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3013.png 8 1,2,4,5,6,8,9,10, 1.00,1.00,0.75,0.80,0.83,0.75,0.78,0.80, 0.838889
Ginkgo biloba L. - ginkgo, maidenhair tree 2431.png 7 1,2,3,5,6,8,10, 1.00,1.00,1.00,0.80,0.83,0.75,0.70, 0.869048
Ilex macrocarpa Oliv. - Big-fruited Holly 2038.png 8 2,4,5,6,7,8,9,10, 0.50,0.50,0.60,0.67,0.71,0.75,0.78,0.80, 0.663591
Aesculus chinensis - Chinese horse chestnut 1082.png 6 1,2,4,6,7,9, 1.00,1.00,0.75,0.67,0.71,0.67, 0.799603
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3536.png 4 1,2,4,5, 1.00,1.00,0.75,0.80, 0.8875
Manglietia fordiana Oliv. - Ford Woodlotus 3263.png 9 1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Tonna sinensis M. Roem. - Chinese Toon 3160.png 8 1,2,3,5,6,7,9,10, 1.00,1.00,1.00,0.80,0.83,0.86,0.78,0.80, 0.883532
Manglietia fordiana Oliv. - Ford Woodlotus 3246.png 7 2,3,4,5,8,9,10, 0.50,0.67,0.75,0.80,0.63,0.67,0.70, 0.672619
76
Prunus persica (L.) Batsch - peach 3186.png 5 2,3,6,7,9, 0.50,0.67,0.50,0.57,0.56, 0.55873
Berberis anhweiensis Ahrendt - Anhui Barberry 1585.png 8 1,2,3,5,6,7,9,10, 1.00,1.00,1.00,0.80,0.83,0.86,0.78,0.80, 0.883532
Nerium oleander L. - oleander 2553.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Cinnamomum japonicum Sieb. - Chinese cinnamon 1536.png 2 1,4, 1.00,0.50, 0.75
Manglietia fordiana Oliv. - Ford Woodlotus 3274.png 8 1,2,3,4,5,6,7,9, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89, 0.986111
Acer buergerianum Miq - trident maple 3282.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2509.png 3 1,6,9, 1.00,0.33,0.33, 0.555556
Ligustrum lucidum Ait. f. - Glossy Privet 3066.png 7 1,2,3,4,5,6,8, 1.00,1.00,1.00,1.00,1.00,1.00,0.88, 0.982143
Berberis anhweiensis Ahrendt - Anhui Barberry 1581.png 6 1,2,3,4,5,8, 1.00,1.00,1.00,1.00,1.00,0.75, 0.958333
Cercis chinensis - Chinese redbud 1169.png 10 1,2,3,4,5,6,7,8,9,10, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ilex macrocarpa Oliv. - Big-fruited Holly 2018.png 8 1,2,5,6,7,8,9,10, 1.00,1.00,0.60,0.67,0.71,0.75,0.78,0.80, 0.788591
Phoebe nanmu (Oliv.) Gamble - Nanmu 1363.png 6 1,2,3,5,8,9, 1.00,1.00,1.00,0.80,0.63,0.67, 0.848611
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3017.png 0
0
Acer buergerianum Miq - trident maple 3309.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Viburnum awabuki K.Koch - Japan Arrowwood 2245.png 5 1,2,3,4,9, 1.00,1.00,1.00,1.00,0.56, 0.911111
Populus canadensis Moench - Canadian poplar 3478.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ilex macrocarpa Oliv. - Big-fruited Holly 2013.png 7 1,2,3,4,7,8,9, 1.00,1.00,1.00,1.00,0.71,0.75,0.78, 0.891723
Prunus persica (L.) Batsch - peach 3213.png 7 1,2,4,5,6,7,9, 1.00,1.00,0.75,0.80,0.83,0.86,0.78, 0.859751
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3529.png 0
0
Mahonia bealei (Fortune) Carr - Beales barberry 3378.png 8 1,2,3,4,6,7,8,10, 1.00,1.00,1.00,1.00,0.83,0.86,0.88,0.80, 0.920685
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2058.png 0
0
Mahonia bealei (Fortune) Carr - Beales barberry 3375.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2538.png 4 1,2,8,9, 1.00,1.00,0.38,0.44, 0.704861
Viburnum awabuki K.Koch - Japan Arrowwood 2267.png 2 3,5, 0.33,0.40, 0.366667
Acer buergerianum Miq - trident maple 3287.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Osmanthus fragrans Lour. - sweet osmanthus 2307.png 1 3, 0.33, 0.333333
Populus canadensis Moench - Canadian poplar 3458.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1021.png 4 3,6,7,9, 0.33,0.33,0.43,0.44, 0.384921
Acer buergerianum Miq - trident maple 3303.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Prunus persica (L.) Batsch - peach 3219.png 5 1,2,3,4,7, 1.00,1.00,1.00,1.00,0.71, 0.942857
Manglietia fordiana Oliv. - Ford Woodlotus 3262.png 2 2,3, 0.50,0.67, 0.583333
Acer buergerianum Miq - trident maple 3285.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Indigofera tinctoria L. - Japanese maple 1256.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
77
B. Hasil Uji Coba Sekenario I (MARCH 10 Peringkat Hasil)
Nama Spesies File Uji v Index v Precission Average
Precission
Ilex macrocarpa Oliv. - Big-fruited Holly 2044.png 0
0
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2513.png 1 5, 0.20, 0.2
Osmanthus fragrans Lour. - sweet osmanthus 2340.png 2 1,8, 1.00,0.25, 0.625
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2061.png 0
0
Cinnamomum camphora (L.) J. Presl - camphortree 2193.png 6 2,3,5,7,9,10, 0.50,0.67,0.60,0.57,0.56,0.60, 0.582275
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2642.png 9
1,2,3,4,5,6,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1011.png 6 1,2,3,4,9,10, 1.00,1.00,1.00,1.00,0.56,0.60, 0.859259
Viburnum awabuki K.Koch - Japan Arrowwood 2260.png 2 3,4, 0.33,0.50, 0.416667
Ilex macrocarpa Oliv. - Big-fruited Holly 2014.png 3 1,5,6, 1.00,0.40,0.50, 0.633333
Acer Palmatum - Japanese maple 1323.png 1 3, 0.33, 0.333333
Ligustrum lucidum Ait. f. - Glossy Privet 3086.png 5 2,3,8,9,10, 0.50,0.67,0.38,0.44,0.50, 0.497222
Prunus persica (L.) Batsch - peach 3209.png 5 2,3,6,7,10, 0.50,0.67,0.50,0.57,0.50, 0.547619
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2521.png 7 1,2,3,4,6,7,8, 1.00,1.00,1.00,1.00,0.83,0.86,0.88, 0.937925
Ligustrum lucidum Ait. f. - Glossy Privet 3107.png 2 2,8, 0.50,0.25, 0.375
Cinnamomum japonicum Sieb. - Chinese cinnamon 1508.png 2 6,8, 0.17,0.25, 0.208333
Berberis anhweiensis Ahrendt - Anhui Barberry 1592.png 7 1,2,4,5,6,8,10, 1.00,1.00,0.75,0.80,0.83,0.75,0.70, 0.833333
Osmanthus fragrans Lour. - sweet osmanthus 2345.png 0
0
Acer Palmatum - Japanese maple 1273.png 8 1,2,3,4,5,6,7,9, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89, 0.986111
Ilex macrocarpa Oliv. - Big-fruited Holly 2021.png 3 1,3,6, 1.00,0.67,0.50, 0.722222
Koelreuteria paniculata Laxm. - goldenrain tree 1462.png 10
1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Berberis anhweiensis Ahrendt - Anhui Barberry 1604.png 7 1,2,3,5,6,8,10, 1.00,1.00,1.00,0.80,0.83,0.75,0.70, 0.869048
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3054.png 3 1,2,8, 1.00,1.00,0.38, 0.791667
Citrus reticulata Blanco - tangerine 3600.png 5 2,4,6,7,10, 0.50,0.50,0.50,0.57,0.50, 0.514286
Acer buergerianum Miq - trident maple 3292.png 3 1,2,9, 1.00,1.00,0.33, 0.777778
Populus canadensis Moench - Canadian poplar 3468.png 9
1,2,3,4,6,7,8,9,10,
1.00,1.00,1.00,1.00,0.83,0.86,0.88,0.89,0.90, 0.928263
Cinnamomum camphora (L.) J. Presl - camphortree 2171.png 2 5,10, 0.20,0.20, 0.2
Mahonia bealei (Fortune) Carr - Beales barberry 3353.png 4 2,5,9,10, 0.50,0.40,0.33,0.40, 0.408333
Osmanthus fragrans Lour. - sweet osmanthus 2331.png 5 4,5,6,9,10, 0.25,0.40,0.50,0.44,0.50, 0.418889
Citrus reticulata Blanco - tangerine 3614.png 7 1,2,6,7,8,9,10, 1.00,1.00,0.50,0.57,0.63,0.67,0.70, 0.723299
Acer buergerianum Miq - trident maple 3289.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1050.png 4 3,5,7,9, 0.33,0.40,0.43,0.44, 0.401587
Cedrus deodara (Roxb.) G. Don - deodar 2393.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
78
Ginkgo biloba L. - ginkgo, maidenhair tree 2454.png 3 1,2,8, 1.00,1.00,0.38, 0.791667
Cercis chinensis - Chinese redbud 1128.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Mahonia bealei (Fortune) Carr - Beales barberry 3341.png 1 1, 1.00, 1
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1425.png 0
0
Prunus persica (L.) Batsch - peach 3201.png 7 1,2,3,4,5,7,8, 1.00,1.00,1.00,1.00,1.00,0.86,0.88, 0.961735
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2663.png 9
1,3,4,5,6,7,8,9,10,
1.00,0.67,0.75,0.80,0.83,0.86,0.88,0.89,0.90, 0.841226
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3546.png 2 5,9, 0.20,0.22, 0.211111
Aesculus chinensis - Chinese horse chestnut 1071.png 5 1,3,5,8,10, 1.00,0.67,0.60,0.50,0.50, 0.653333
Cedrus deodara (Roxb.) G. Don - deodar 2414.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Koelreuteria paniculata Laxm. - goldenrain tree 1477.png 8 1,2,3,4,5,7,8,9,
1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89, 0.952629
Koelreuteria paniculata Laxm. - goldenrain tree 1452.png 7 1,3,4,5,6,8,10, 1.00,0.67,0.75,0.80,0.83,0.75,0.70, 0.785714
Cedrus deodara (Roxb.) G. Don - deodar 2390.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Viburnum awabuki K.Koch - Japan Arrowwood 2273.png 7 1,2,4,5,7,8,9, 1.00,1.00,0.75,0.80,0.71,0.75,0.78, 0.827438
Osmanthus fragrans Lour. - sweet osmanthus 2332.png 2 2,3, 0.50,0.67, 0.583333
Koelreuteria paniculata Laxm. - goldenrain tree 1470.png 2 1,9, 1.00,0.22, 0.611111
Chimonanthus praecox L. - wintersweet 2160.png 8 1,2,3,4,5,6,7,9, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89, 0.986111
Aesculus chinensis - Chinese horse chestnut 1102.png 5 1,4,6,7,10, 1.00,0.50,0.50,0.57,0.50, 0.614286
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3562.png 6 1,2,3,6,8,10, 1.00,1.00,1.00,0.67,0.63,0.60, 0.815278
Phoebe nanmu (Oliv.) Gamble - Nanmu 1365.png 7 1,2,3,5,7,8,10, 1.00,1.00,1.00,0.80,0.71,0.75,0.70, 0.852041
Osmanthus fragrans Lour. - sweet osmanthus 2343.png 3 3,4,9, 0.33,0.50,0.33, 0.388889
Manglietia fordiana Oliv. - Ford Woodlotus 3247.png 4 1,2,3,6, 1.00,1.00,1.00,0.67, 0.916667
Citrus reticulata Blanco - tangerine 3602.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Koelreuteria paniculata Laxm. - goldenrain tree 1467.png 8
1,2,3,4,6,7,9,10,
1.00,1.00,1.00,1.00,0.83,0.86,0.78,0.80, 0.908532
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2633.png 10
1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Nerium oleander L. - oleander 2608.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Acer Palmatum - Japanese maple 1270.png 2 1,3, 1.00,0.67, 0.833333
Phoebe nanmu (Oliv.) Gamble - Nanmu 1346.png 6 1,2,3,5,6,9, 1.00,1.00,1.00,0.80,0.83,0.67, 0.883333
Osmanthus fragrans Lour. - sweet osmanthus 2334.png 2 3,6, 0.33,0.33, 0.333333
Populus canadensis Moench - Canadian poplar 3505.png 2 8,10, 0.13,0.20, 0.1625
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1429.png 6 1,2,4,5,6,9, 1.00,1.00,0.75,0.80,0.83,0.67, 0.841667
Citrus reticulata Blanco - tangerine 3581.png 9 1,2,3,4,6,7,8,9,10,
1.00,1.00,1.00,1.00,0.83,0.86,0.88,0.89,0.90, 0.928263
Nerium oleander L. - oleander 2550.png 9 1,2,3,5,6,7,8,9,10,
1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.89,0.90, 0.906041
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2103.png 4 1,2,5,6, 1.00,1.00,0.60,0.67, 0.816667
Chimonanthus praecox L. - wintersweet 2127.png 5 1,4,5,6,7, 1.00,0.50,0.60,0.67,0.71, 0.69619
79
Berberis anhweiensis Ahrendt - Anhui Barberry 1586.png 8 1,2,3,4,5,6,7,8,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Nerium oleander L. - oleander 2556.png 9 1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Citrus reticulata Blanco - tangerine 3601.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phoebe nanmu (Oliv.) Gamble - Nanmu 1378.png 9 1,2,3,4,5,6,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654
Cinnamomum camphora (L.) J. Presl - camphortree 2194.png 1 5, 0.20, 0.2
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1012.png 9
1,2,3,4,5,6,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654
Berberis anhweiensis Ahrendt - Anhui Barberry 1555.png 6 1,3,4,5,6,7, 1.00,0.67,0.75,0.80,0.83,0.86, 0.817857
Ligustrum lucidum Ait. f. - Glossy Privet 3073.png 2 3,8, 0.33,0.25, 0.291667
Koelreuteria paniculata Laxm. - goldenrain tree 1438.png 9
1,2,3,4,5,6,7,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543
Berberis anhweiensis Ahrendt - Anhui Barberry 1556.png 7 2,3,4,6,7,8,10, 0.50,0.67,0.75,0.67,0.71,0.75,0.70, 0.678231
Cercis chinensis - Chinese redbud 1151.png 9 1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Viburnum awabuki K.Koch - Japan Arrowwood 2249.png 8
1,2,3,4,5,7,9,10,
1.00,1.00,1.00,1.00,1.00,0.86,0.78,0.80, 0.929365
Ilex macrocarpa Oliv. - Big-fruited Holly 2045.png 0
0
Ginkgo biloba L. - ginkgo, maidenhair tree 2443.png 2 1,4, 1.00,0.50, 0.75
Magnolia grandiflora L - southern magnolia 3410.png 4 1,2,3,4, 1.00,1.00,1.00,1.00, 1
Magnolia grandiflora L - southern magnolia 3399.png 3 1,2,6, 1.00,1.00,0.50, 0.833333
Tonna sinensis M. Roem. - Chinese Toon 3157.png 4 1,4,8,10, 1.00,0.50,0.38,0.40, 0.56875
Mahonia bealei (Fortune) Carr - Beales barberry 3385.png 9
1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Aesculus chinensis - Chinese horse chestnut 1064.png 6 1,4,6,7,8,9, 1.00,0.50,0.50,0.57,0.63,0.67, 0.643849
Cedrus deodara (Roxb.) G. Don - deodar 2371.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ligustrum lucidum Ait. f. - Glossy Privet 3060.png 1 3, 0.33, 0.333333
Nerium oleander L. - oleander 2582.png 6 1,2,3,5,9,10, 1.00,1.00,1.00,0.80,0.56,0.60, 0.825926
Ginkgo biloba L. - ginkgo, maidenhair tree 2445.png 2 1,7, 1.00,0.29, 0.642857
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2658.png 6 1,3,4,6,7,9, 1.00,0.67,0.75,0.67,0.71,0.67, 0.744048
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3028.png 9
1,2,3,4,5,6,7,8,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.90, 0.988889
Magnolia grandiflora L - southern magnolia 3427.png 10
1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Tonna sinensis M. Roem. - Chinese Toon 3140.png 5 1,2,4,6,8, 1.00,1.00,0.75,0.67,0.63, 0.808333
Mahonia bealei (Fortune) Carr - Beales barberry 3364.png 1 4, 0.25, 0.25
Manglietia fordiana Oliv. - Ford Woodlotus 3242.png 5 2,3,5,6,10, 0.50,0.67,0.60,0.67,0.50, 0.586667
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2490.png 7 1,2,3,5,6,8,9, 1.00,1.00,1.00,0.80,0.83,0.75,0.78, 0.880159
Cedrus deodara (Roxb.) G. Don - deodar 2397.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ginkgo biloba L. - ginkgo, maidenhair tree 2438.png 9
1,2,3,4,5,6,7,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543
Osmanthus fragrans Lour. - sweet osmanthus 2323.png 3 2,5,9, 0.50,0.40,0.33, 0.411111
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3526.png 6 1,2,3,4,5,6, 1.00,1.00,1.00,1.00,1.00,1.00, 1
80
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2099.png 8 1,2,3,4,5,6,7,8,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Chimonanthus praecox L. - wintersweet 2164.png 3 1,4,6, 1.00,0.50,0.50, 0.666667
Viburnum awabuki K.Koch - Japan Arrowwood 2287.png 8
1,2,4,5,6,7,8,10,
1.00,1.00,0.75,0.80,0.83,0.86,0.88,0.80, 0.864435
Osmanthus fragrans Lour. - sweet osmanthus 2319.png 2 1,8, 1.00,0.25, 0.625
Viburnum awabuki K.Koch - Japan Arrowwood 2259.png 9
1,2,3,5,6,7,8,9,10,
1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.89,0.90, 0.906041
Cinnamomum japonicum Sieb. - Chinese cinnamon 1502.png 0
0
Prunus persica (L.) Batsch - peach 3210.png 4 1,3,5,7, 1.00,0.67,0.60,0.57, 0.709524
Phoebe nanmu (Oliv.) Gamble - Nanmu 1377.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3515.png 4 2,4,6,7, 0.50,0.50,0.50,0.57, 0.517857
Cercis chinensis - Chinese redbud 1125.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3514.png 4 1,2,3,9, 1.00,1.00,1.00,0.44, 0.861111
Aesculus chinensis - Chinese horse chestnut 1119.png 0
0
Mahonia bealei (Fortune) Carr - Beales barberry 3382.png 9
1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Citrus reticulata Blanco - tangerine 3593.png 7 1,2,3,4,5,9,10, 1.00,1.00,1.00,1.00,1.00,0.67,0.70, 0.909524
Viburnum awabuki K.Koch - Japan Arrowwood 2274.png 10
1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Mahonia bealei (Fortune) Carr - Beales barberry 3381.png 7 1,3,4,5,6,7,8, 1.00,0.67,0.75,0.80,0.83,0.86,0.88, 0.82602
Ilex macrocarpa Oliv. - Big-fruited Holly 2035.png 1 1, 1.00, 1
Cedrus deodara (Roxb.) G. Don - deodar 2381.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1018.png 7 1,2,3,4,5,8,9, 1.00,1.00,1.00,1.00,1.00,0.75,0.78, 0.93254
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2532.png 0
0
Cercis chinensis - Chinese redbud 1141.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Mahonia bealei (Fortune) Carr - Beales barberry 3389.png 7 1,2,3,4,5,7,8, 1.00,1.00,1.00,1.00,1.00,0.86,0.88, 0.961735
Indigofera tinctoria L. - Japanese maple 1242.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ginkgo biloba L. - ginkgo, maidenhair tree 2424.png 0
0
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1046.png 7 1,2,3,4,5,7,10, 1.00,1.00,1.00,1.00,1.00,0.86,0.70, 0.936735
Aesculus chinensis - Chinese horse chestnut 1066.png 6 1,2,5,6,7,8, 1.00,1.00,0.60,0.67,0.71,0.75, 0.788492
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3005.png 7 1,2,4,5,6,7,10, 1.00,1.00,0.75,0.80,0.83,0.86,0.70, 0.848639
Tonna sinensis M. Roem. - Chinese Toon 3166.png 4 4,7,8,9, 0.25,0.29,0.38,0.44, 0.33879
Phoebe nanmu (Oliv.) Gamble - Nanmu 1338.png 7 1,2,3,4,5,6,8, 1.00,1.00,1.00,1.00,1.00,1.00,0.88, 0.982143
Aesculus chinensis - Chinese horse chestnut 1114.png 5 1,3,4,5,10, 1.00,0.67,0.75,0.80,0.50, 0.743333
Viburnum awabuki K.Koch - Japan Arrowwood 2284.png 5 1,2,4,7,10, 1.00,1.00,0.75,0.57,0.50, 0.764286
Mahonia bealei (Fortune) Carr - Beales barberry 3346.png 5 1,5,6,7,9, 1.00,0.40,0.50,0.57,0.56, 0.605397
Berberis anhweiensis Ahrendt - Anhui Barberry 1587.png 8 1,2,3,4,5,6,7,8,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ligustrum lucidum Ait. f. - Glossy Privet 3096.png 1 2, 0.50, 0.5
81
Osmanthus fragrans Lour. - sweet osmanthus 2305.png 2 5,9, 0.20,0.22, 0.211111
Citrus reticulata Blanco - tangerine 3618.png 8 1,2,3,4,5,6,8,10,
1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.80, 0.959375
Populus canadensis Moench - Canadian poplar 3487.png 5 1,3,7,8,10, 1.00,0.67,0.43,0.50,0.50, 0.619048
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2094.png 3 1,2,3, 1.00,1.00,1.00, 1
Mahonia bealei (Fortune) Carr - Beales barberry 3372.png 7 1,2,4,5,6,7,10, 1.00,1.00,0.75,0.80,0.83,0.86,0.70, 0.848639
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1400.png 9
1,2,4,5,6,7,8,9,10,
1.00,1.00,0.75,0.80,0.83,0.86,0.88,0.89,0.90, 0.878263
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2517.png 6 1,2,6,8,9,10, 1.00,1.00,0.50,0.50,0.56,0.60, 0.692593
Nerium oleander L. - oleander 2570.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Populus canadensis Moench - Canadian poplar 3464.png 10
1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Berberis anhweiensis Ahrendt - Anhui Barberry 1589.png 9
1,2,3,4,5,6,7,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543
Cercis chinensis - Chinese redbud 1124.png 9 1,2,3,4,5,6,7,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543
Koelreuteria paniculata Laxm. - goldenrain tree 1449.png 6 1,2,3,6,7,10, 1.00,1.00,1.00,0.67,0.71,0.60, 0.830159
Ilex macrocarpa Oliv. - Big-fruited Holly 2025.png 6 1,3,4,5,6,9, 1.00,0.67,0.75,0.80,0.83,0.67, 0.786111
Cinnamomum camphora (L.) J. Presl - camphortree 2224.png 0
0
Ginkgo biloba L. - ginkgo, maidenhair tree 2483.png 4 1,2,3,6, 1.00,1.00,1.00,0.67, 0.916667
Acer Palmatum - Japanese maple 1307.png 0
0
Berberis anhweiensis Ahrendt - Anhui Barberry 1570.png 8 1,2,3,4,5,6,7,8,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Berberis anhweiensis Ahrendt - Anhui Barberry 1568.png 9
1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Berberis anhweiensis Ahrendt - Anhui Barberry 1558.png 7 1,2,3,4,5,6,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.70, 0.957143
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1417.png 0
0
Manglietia fordiana Oliv. - Ford Woodlotus 3244.png 5 1,2,6,7,9, 1.00,1.00,0.50,0.57,0.56, 0.725397
Viburnum awabuki K.Koch - Japan Arrowwood 2239.png 4 2,5,6,7, 0.50,0.40,0.50,0.57, 0.492857
Cinnamomum camphora (L.) J. Presl - camphortree 2180.png 0
0
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1386.png 0
0
Cinnamomum camphora (L.) J. Presl - camphortree 2199.png 3 1,4,8, 1.00,0.50,0.38, 0.625
Koelreuteria paniculata Laxm. - goldenrain tree 1458.png 0
0
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1006.png 6 3,4,5,7,8,9, 0.33,0.50,0.60,0.57,0.63,0.67, 0.549405
Citrus reticulata Blanco - tangerine 3605.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Populus canadensis Moench - Canadian poplar 3501.png 8 1,2,3,5,6,7,8,9,
1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.89, 0.906796
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2074.png 3 1,2,3, 1.00,1.00,1.00, 1
Cedrus deodara (Roxb.) G. Don - deodar 2404.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phoebe nanmu (Oliv.) Gamble - Nanmu 1332.png 6 1,3,5,6,7,8, 1.00,0.67,0.60,0.67,0.71,0.75, 0.732937
Ligustrum lucidum Ait. f. - Glossy Privet 3109.png 4 1,5,9,10, 1.00,0.40,0.33,0.40, 0.533333
Kalopanax septemlobus (Thunb. ex 1394.png 10 1,2,3,4,5,6,7,8, 1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00 1
82
A.Murr.) Koidz. - castor aralia 9,10, ,1.00,1.00,
Magnolia grandiflora L - southern magnolia 3420.png 9
1,2,3,5,6,7,8,9,10,
1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.89,0.90, 0.906041
Indigofera tinctoria L. - Japanese maple 1225.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Aesculus chinensis - Chinese horse chestnut 1086.png 1 9, 0.11, 0.111111
Manglietia fordiana Oliv. - Ford Woodlotus 3230.png 3 2,3,8, 0.50,0.67,0.38, 0.513889
Cinnamomum japonicum Sieb. - Chinese cinnamon 1545.png 1 9, 0.11, 0.111111
Aesculus chinensis - Chinese horse chestnut 1079.png 0
0
Koelreuteria paniculata Laxm. - goldenrain tree 1457.png 0
0
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3015.png 5 1,2,3,6,7, 1.00,1.00,1.00,0.67,0.71, 0.87619
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2666.png 8
1,2,3,4,7,8,9,10,
1.00,1.00,1.00,1.00,0.71,0.75,0.78,0.80, 0.880258
Berberis anhweiensis Ahrendt - Anhui Barberry 1565.png 8
1,2,5,6,7,8,9,10,
1.00,1.00,0.60,0.67,0.71,0.75,0.78,0.80, 0.788591
Cinnamomum camphora (L.) J. Presl - camphortree 2220.png 4 1,2,3,9, 1.00,1.00,1.00,0.44, 0.861111
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2098.png 9
1,2,3,4,5,6,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654
Populus canadensis Moench - Canadian poplar 3490.png 9
1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Manglietia fordiana Oliv. - Ford Woodlotus 3265.png 3 1,3,7, 1.00,0.67,0.43, 0.698413
Cinnamomum japonicum Sieb. - Chinese cinnamon 1531.png 0
0
Cedrus deodara (Roxb.) G. Don - deodar 2389.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Aesculus chinensis - Chinese horse chestnut 1107.png 6 2,3,6,8,9,10, 0.50,0.67,0.50,0.50,0.56,0.60, 0.553704
Magnolia grandiflora L - southern magnolia 3432.png 7 1,2,3,4,5,8,9, 1.00,1.00,1.00,1.00,1.00,0.75,0.78, 0.93254
Manglietia fordiana Oliv. - Ford Woodlotus 3277.png 3 1,7,9, 1.00,0.29,0.33, 0.539683
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1052.png 2 2,3, 0.50,0.67, 0.583333
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1401.png 10
1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Cedrus deodara (Roxb.) G. Don - deodar 2370.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2543.png 4 1,2,5,10, 1.00,1.00,0.60,0.40, 0.75
Acer Palmatum - Japanese maple 1287.png 5 1,2,3,5,6, 1.00,1.00,1.00,0.80,0.83, 0.926667
Tonna sinensis M. Roem. - Chinese Toon 3147.png 0
0
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1413.png 0
0
Cinnamomum camphora (L.) J. Presl - camphortree 2204.png 6 1,2,3,4,5,6, 1.00,1.00,1.00,1.00,1.00,1.00, 1
Indigofera tinctoria L. - Japanese maple 1201.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3033.png 2 7,8, 0.14,0.25, 0.196429
Viburnum awabuki K.Koch - Japan Arrowwood 2280.png 10
1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ligustrum lucidum Ait. f. - Glossy Privet 3094.png 0
0
Nerium oleander L. - oleander 2585.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Osmanthus fragrans Lour. - sweet 2325.png 5 1,2,3,6,9, 1.00,1.00,1.00,0.67,0.56, 0.844444
83
osmanthus
Cercis chinensis - Chinese redbud 1177.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phoebe nanmu (Oliv.) Gamble - Nanmu 1375.png 8 1,3,4,5,6,7,8,9, 1.00,0.67,0.75,0.80,0.83,0.86,0.88,0.89, 0.833879
Magnolia grandiflora L - southern magnolia 3429.png 6 1,2,6,7,8,9, 1.00,1.00,0.50,0.57,0.63,0.67, 0.727183
Chimonanthus praecox L. - wintersweet 2163.png 2 8,10, 0.13,0.20, 0.1625
Cedrus deodara (Roxb.) G. Don - deodar 2382.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1040.png 1 1, 1.00, 1
Ligustrum lucidum Ait. f. - Glossy Privet 3108.png 4 2,4,7,8, 0.50,0.50,0.43,0.50, 0.482143
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2500.png 6 1,2,3,4,6,7, 1.00,1.00,1.00,1.00,0.83,0.86, 0.948413
Prunus persica (L.) Batsch - peach 3199.png 8 1,2,3,4,6,8,9,10,
1.00,1.00,1.00,1.00,0.83,0.75,0.78,0.80, 0.895139
Populus canadensis Moench - Canadian poplar 3454.png 8 1,2,3,4,5,6,7,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89, 0.986111
Osmanthus fragrans Lour. - sweet osmanthus 2338.png 5 1,2,3,6,9, 1.00,1.00,1.00,0.67,0.56, 0.844444
Populus canadensis Moench - Canadian poplar 3498.png 5 1,2,3,5,6, 1.00,1.00,1.00,0.80,0.83, 0.926667
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2060.png 8 1,2,3,4,5,7,8,9,
1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89, 0.952629
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2536.png 2 1,10, 1.00,0.20, 0.6
Cinnamomum japonicum Sieb. - Chinese cinnamon 1519.png 3 1,2,4, 1.00,1.00,0.75, 0.916667
Manglietia fordiana Oliv. - Ford Woodlotus 3239.png 3 5,6,7, 0.20,0.33,0.43, 0.320635
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1024.png 4 1,3,7,8, 1.00,0.67,0.43,0.50, 0.64881
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2537.png 7 1,2,3,4,5,7,9, 1.00,1.00,1.00,1.00,1.00,0.86,0.78, 0.947846
Aesculus chinensis - Chinese horse chestnut 1081.png 1 3, 0.33, 0.333333
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3549.png 3 2,7,10, 0.50,0.29,0.30, 0.361905
Viburnum awabuki K.Koch - Japan Arrowwood 2262.png 5 2,3,4,5,6, 0.50,0.67,0.75,0.80,0.83, 0.71
Phoebe nanmu (Oliv.) Gamble - Nanmu 1359.png 0
0
Phoebe nanmu (Oliv.) Gamble - Nanmu 1343.png 7 1,2,3,4,5,6,10, 1.00,1.00,1.00,1.00,1.00,1.00,0.70, 0.957143
Populus canadensis Moench - Canadian poplar 3496.png 9
1,2,3,4,6,7,8,9,10,
1.00,1.00,1.00,1.00,0.83,0.86,0.88,0.89,0.90, 0.928263
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3030.png 3 1,8,10, 1.00,0.25,0.30, 0.516667
Indigofera tinctoria L. - Japanese maple 1226.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Nerium oleander L. - oleander 2604.png 9 1,2,3,4,5,6,7,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543
Berberis anhweiensis Ahrendt - Anhui Barberry 1576.png 5 1,2,5,7,8, 1.00,1.00,0.60,0.57,0.63, 0.759286
Kalopanax septemlobus (Thunb. ex A.Murr.) Koidz. - castor aralia 1406.png 9
1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Acer buergerianum Miq - trident maple 3283.png 9 1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Citrus reticulata Blanco - tangerine 3604.png 7 1,2,3,5,6,7,10, 1.00,1.00,1.00,0.80,0.83,0.86,0.70, 0.884354
Chimonanthus praecox L. - wintersweet 2121.png 6 2,3,5,6,8,10, 0.50,0.67,0.60,0.67,0.63,0.60, 0.609722
Mahonia bealei (Fortune) Carr - Beales barberry 3367.png 10
1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
84
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2104.png 2 6,9, 0.17,0.22, 0.194444
Acer buergerianum Miq - trident maple 3311.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Tonna sinensis M. Roem. - Chinese Toon 3158.png 4 1,3,6,7, 1.00,0.67,0.50,0.57, 0.684524
Populus canadensis Moench - Canadian poplar 3463.png 10
1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Acer Palmatum - Japanese maple 1304.png 6 1,2,5,6,7,8, 1.00,1.00,0.60,0.67,0.71,0.75, 0.788492
Ilex macrocarpa Oliv. - Big-fruited Holly 2031.png 5 3,5,6,7,9, 0.33,0.40,0.50,0.57,0.56, 0.472063
Acer buergerianum Miq - trident maple 3332.png 1 1, 1.00, 1
Osmanthus fragrans Lour. - sweet osmanthus 2333.png 2 2,8, 0.50,0.25, 0.375
Cedrus deodara (Roxb.) G. Don - deodar 2374.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ilex macrocarpa Oliv. - Big-fruited Holly 2037.png 4 2,6,7,8, 0.50,0.33,0.43,0.50, 0.440476
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1051.png 7 1,2,3,4,6,9,10, 1.00,1.00,1.00,1.00,0.83,0.67,0.70, 0.885714
Indigofera tinctoria L. - Japanese maple 1211.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Acer Palmatum - Japanese maple 1303.png 7 1,2,3,4,5,6,8, 1.00,1.00,1.00,1.00,1.00,1.00,0.88, 0.982143
Acer buergerianum Miq - trident maple 3315.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Nerium oleander L. - oleander 2566.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ilex macrocarpa Oliv. - Big-fruited Holly 2023.png 4 1,2,3,8, 1.00,1.00,1.00,0.50, 0.875
Cedrus deodara (Roxb.) G. Don - deodar 2418.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2524.png 2 7,10, 0.14,0.20, 0.171429
Phoebe nanmu (Oliv.) Gamble - Nanmu 1355.png 5 1,5,7,9,10, 1.00,0.40,0.43,0.44,0.50, 0.554603
Populus canadensis Moench - Canadian poplar 3481.png 0
0
Manglietia fordiana Oliv. - Ford Woodlotus 3237.png 3 2,5,8, 0.50,0.40,0.38, 0.425
Populus canadensis Moench - Canadian poplar 3476.png 6 1,2,3,4,6,7, 1.00,1.00,1.00,1.00,0.83,0.86, 0.948413
Cercis chinensis - Chinese redbud 1180.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Nerium oleander L. - oleander 2606.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Osmanthus fragrans Lour. - sweet osmanthus 2339.png 2 1,2, 1.00,1.00, 1
Tonna sinensis M. Roem. - Chinese Toon 3119.png 7 1,2,3,7,8,9,10, 1.00,1.00,1.00,0.57,0.63,0.67,0.70, 0.794728
Ligustrum lucidum Ait. f. - Glossy Privet 3100.png 0
0
Tonna sinensis M. Roem. - Chinese Toon 3141.png 3 2,4,5, 0.50,0.50,0.60, 0.533333
Ginkgo biloba L. - ginkgo, maidenhair tree 2463.png 2 9,10, 0.11,0.20, 0.155556
Acer buergerianum Miq - trident maple 3304.png 9 1,2,3,4,5,6,7,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2627.png 10
1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Manglietia fordiana Oliv. - Ford Woodlotus 3279.png 5 1,2,3,5,6, 1.00,1.00,1.00,0.80,0.83, 0.926667
Cinnamomum camphora (L.) J. Presl - camphortree 2181.png 0
0
Osmanthus fragrans Lour. - sweet osmanthus 2309.png 2 2,5, 0.50,0.40, 0.45
Ginkgo biloba L. - ginkgo, maidenhair tree 2426.png 0
0
85
Cercis chinensis - Chinese redbud 1155.png 7 1,2,3,4,5,8,10, 1.00,1.00,1.00,1.00,1.00,0.75,0.70, 0.921429
Tonna sinensis M. Roem. - Chinese Toon 3132.png 5 1,2,3,4,10, 1.00,1.00,1.00,1.00,0.50, 0.9
Podocarpus macrophyllus (Thunb.) Sweet - yew plum pine 2664.png 3 1,8,9, 1.00,0.25,0.33, 0.527778
Tonna sinensis M. Roem. - Chinese Toon 3150.png 4 1,2,3,6, 1.00,1.00,1.00,0.67, 0.916667
Cercis chinensis - Chinese redbud 1144.png 9 1,2,3,4,5,6,7,8,9,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Chimonanthus praecox L. - wintersweet 2130.png 6 2,3,4,5,9,10, 0.50,0.67,0.75,0.80,0.56,0.60, 0.64537
Ginkgo biloba L. - ginkgo, maidenhair tree 2432.png 1 4, 0.25, 0.25
Ligustrum lucidum Ait. f. - Glossy Privet 3085.png 5 1,2,4,6,9, 1.00,1.00,0.75,0.67,0.56, 0.794444
Koelreuteria paniculata Laxm. - goldenrain tree 1450.png 0
0
Tonna sinensis M. Roem. - Chinese Toon 3143.png 3 1,2,3, 1.00,1.00,1.00, 1
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3013.png 7 1,2,3,4,5,7,8, 1.00,1.00,1.00,1.00,1.00,0.86,0.88, 0.961735
Ginkgo biloba L. - ginkgo, maidenhair tree 2431.png 9
1,2,3,4,5,6,7,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,0.89,0.90, 0.976543
Ilex macrocarpa Oliv. - Big-fruited Holly 2038.png 2 5,9, 0.20,0.22, 0.211111
Aesculus chinensis - Chinese horse chestnut 1082.png 3 2,8,9, 0.50,0.25,0.33, 0.361111
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3536.png 2 1,3, 1.00,0.67, 0.833333
Manglietia fordiana Oliv. - Ford Woodlotus 3263.png 8 1,2,3,5,6,7,8,9,
1.00,1.00,1.00,0.80,0.83,0.86,0.88,0.89, 0.906796
Tonna sinensis M. Roem. - Chinese Toon 3160.png 9 1,2,3,4,5,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,0.86,0.88,0.89,0.90, 0.946781
Manglietia fordiana Oliv. - Ford Woodlotus 3246.png 2 5,8, 0.20,0.25, 0.225
Prunus persica (L.) Batsch - peach 3186.png 1 3, 0.33, 0.333333
Berberis anhweiensis Ahrendt - Anhui Barberry 1585.png 9
1,2,3,4,5,6,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,0.88,0.89,0.90, 0.962654
Nerium oleander L. - oleander 2553.png 2 2,4, 0.50,0.50, 0.5
Cinnamomum japonicum Sieb. - Chinese cinnamon 1536.png 3 1,6,8, 1.00,0.33,0.38, 0.569444
Manglietia fordiana Oliv. - Ford Woodlotus 3274.png 3 1,3,7, 1.00,0.67,0.43, 0.698413
Acer buergerianum Miq - trident maple 3282.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2509.png 3 1,2,3, 1.00,1.00,1.00, 1
Ligustrum lucidum Ait. f. - Glossy Privet 3066.png 8 1,2,4,5,6,7,8,10,
1.00,1.00,0.75,0.80,0.83,0.86,0.88,0.80, 0.864435
Berberis anhweiensis Ahrendt - Anhui Barberry 1581.png 1 9, 0.11, 0.111111
Cercis chinensis - Chinese redbud 1169.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Ilex macrocarpa Oliv. - Big-fruited Holly 2018.png 4 4,6,7,8, 0.25,0.33,0.43,0.50, 0.377976
Phoebe nanmu (Oliv.) Gamble - Nanmu 1363.png 8 1,2,4,5,6,7,8,9, 1.00,1.00,0.75,0.80,0.83,0.86,0.88,0.89, 0.875546
Prunus serrulata Lindl. var. lannesiana auct. - Japanese Flowering Cherry 3017.png 5 2,6,7,8,9, 0.50,0.33,0.43,0.50,0.56, 0.463492
Acer buergerianum Miq - trident maple 3309.png 7 1,2,3,4,5,7,9, 1.00,1.00,1.00,1.00,1.00,0.86,0.78, 0.947846
Viburnum awabuki K.Koch - Japan Arrowwood 2245.png 3 7,8,9, 0.14,0.25,0.33, 0.242063
Populus canadensis Moench - Canadian poplar 3478.png 5 2,3,4,5,10, 0.50,0.67,0.75,0.80,0.50, 0.643333
Ilex macrocarpa Oliv. - Big-fruited Holly 2013.png 2 1,4, 1.00,0.50, 0.75
86
Prunus persica (L.) Batsch - peach 3213.png 7 1,2,3,4,5,6,9, 1.00,1.00,1.00,1.00,1.00,1.00,0.78, 0.968254
Liriodendron chinense (Hemsl.) Sarg. - Chinese tulip tree 3529.png 6 1,2,3,4,5,6, 1.00,1.00,1.00,1.00,1.00,1.00, 1
Mahonia bealei (Fortune) Carr - Beales barberry 3378.png 3 3,7,10, 0.33,0.29,0.30, 0.306349
Pittosporum tobira (Thunb.) Ait. f. - Japanese cheesewood 2058.png 5 1,2,3,4,5, 1.00,1.00,1.00,1.00,1.00, 1
Mahonia bealei (Fortune) Carr - Beales barberry 3375.png 6 1,2,4,5,6,7, 1.00,1.00,0.75,0.80,0.83,0.86, 0.873413
Lagerstroemia indica (L.) Pers. - Crape myrtle, Crepe myrtle 2538.png 2 3,10, 0.33,0.20, 0.266667
Viburnum awabuki K.Koch - Japan Arrowwood 2267.png 7 1,2,3,4,6,7,8, 1.00,1.00,1.00,1.00,0.83,0.86,0.88, 0.937925
Acer buergerianum Miq - trident maple 3287.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Osmanthus fragrans Lour. - sweet osmanthus 2307.png 3 4,5,10, 0.25,0.40,0.30, 0.316667
Populus canadensis Moench - Canadian poplar 3458.png 5 1,4,5,6,10, 1.00,0.50,0.60,0.67,0.50, 0.653333
Phyllostachys edulis (Carr.) Houz. - pubescent bamboo 1021.png 10
1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Acer buergerianum Miq - trident maple 3303.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Prunus persica (L.) Batsch - peach 3219.png 6 1,2,3,4,6,7, 1.00,1.00,1.00,1.00,0.83,0.86, 0.948413
Manglietia fordiana Oliv. - Ford Woodlotus 3262.png 6 2,3,5,7,8,9, 0.50,0.67,0.60,0.57,0.63,0.67, 0.60496
Acer buergerianum Miq - trident maple 3285.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
Indigofera tinctoria L. - Japanese maple 1256.png 10 1,2,3,4,5,6,7,8,9,10,
1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00,1.00, 1
63
DAFTAR PUSTAKA
Abbasi, S, F. Mokhtarian, J. Kittler, (1997), Reliable classification of
chrysanthemum leaves through curvature scale space, Lect. Notes
Comput. Sci. 1252, Pages 284–295
Arifin, A.Z, B. Bagus , D. A. Navastara, (2010), Tugas Akhir Jurusan Teknik
Informatika dengan Judul: Klasifikasi Online Citra Daun berdasarkan
Fitur Bentuk dan Ruas Daun. Surabaya, Indonesia: Institut Teknologi
Sepuluh Nopember.
Du, J.X, X.F. Wang, G.J. Zhang, (2007), Leaf shape based plant species
recognition, Appl. Math. Comput. 185, Pages 883–893
Elliott, D. F, 1987, Handbook of Digital Signal Processing, Engineering
Applications, Academic Press Inc
Encyclopædia Britannica Online, (2015), leaf, accessed MARCH 18,
http://www.britannica.com/EBchecked/topic/333709/leaf.
Gualtieri, P., L. Barsanti, P. Coltelli, 1985, Computer processing of optical
microscope images, Micron and Microscopica Acta, Volume 16, Issue 3,
Pages 159-172
Jamaluddin, M., N. Suciati, A.Y. Wiajaya, (2011), Implementasi Temu Kembali
Citra Tekstur Menggunakan Rotated Wavelet Filter, Teknik Informatika,
Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember
Lee, C.L., S.Y. Chen, (2003), Classification for leaf images, in: Proc. 16th IPPR
Conf. Comput. Vision Graphics Image, Process, Pages 355–362
Lyons, R. G., 2004, Understanding Digital Signal Processing, Prentice-Hall.
Nosrati, M., R. Karimi, H.A. Hasanvand, (2012), Mobile Computing : Principles,
Devices and Operating Systems, World Applied Programming. Vol (2).
Issue (7).
Park, J. K., Hwang. E. J, and Nam. Y., (2006), A vention – based leaf image
classification scheme, Alliance of Information and Referral Systems,
Pages 416-428
64
Pedro, J. T., X. Qi, M. Jiang, (2009), Computational Geometry of Contour ,
CCCG 2009, Vancouver
Putra, D., 2010, Pengolahan Citra Digital, Andi, Yogyakarta
Skalansky, J., (1982), Finding the convex hull of a simple polygon, Pattern
Recognition Letters 1 79-83
Wang, B. , D. Brown, Y. Gao, J.L. Salle , (2015), MARCH: Multiscale-arch-
height description for mobile retrieval of leaf images, journal Information
Sciences volume 302, Volume 302, Pages 132–148
Wang, J.W., X. Bai, X.G. You, W.Y. Liu, L.J. Latecki, (2012), Shape matching
and classification using height functions, Pattern Recogn. Lett. Pages 134–
143
Wahyumianto, A., I. K. E. Purnama, Christyowidiasmoro, Tugas Akhir Jurusan
Teknik Informatika dengan Judul: Identifikasi Tumbuhan Berdasarkan
MinutiaeTulang Daun Menggunakan SOM Kohonen. Surabaya,
Indonesia: Institut Teknologi Sepuluh Nopember.
Wang, X.F., D.S. Huang, J.X. Du, H. Xu, L. Heutte, (2008), Classification of
plant leaf images with complicated background, Appl. Math. Comput. 205
, Pages 916–926.
Zheng, X., (2010) Leaf Vein Extraction Based on Gray-scale Morphology, I.J. Image,
Graphics and Signal Processing,2, Pages 25-31
65
BIODATA PENULIS
Mirza Galih Kurniawan lahir di Pasuruan pada tanggal 19 Maret
1988. Penulis telah menempuh pendidikan mulai dari SDN 1
Martopuro (1994-2000), SMPN 1 Purwosari (2000-2003), SMAN
1 Lawang (2003-2006), S1 Universitas Brawijaya (2006-2011),
dan pada tahun 2012 penulis meneruskan pendidikan Magister di
Teknik Informatika ITS. Setelah lulus S1 penulis bekerja sebagai
software developer pada bagian Web di perusahaan swasta. Kemudian
mendapatkan kesempatan untuk melanjutkan S2 di Teknik Informatika ITS.
Dalam perkuliahan, penulis mengambil bidang minat Komputasi Cerdas dan
Visualisasi (KCV) dan tertarik pada hal yang berhubungan dengan Information
Retrieval, CBIR, dan Software Engineering.